相关实验视频
Updated: Jul 4, 2026
10:02
High-frequency Ultrasound Imaging of Mouse Cervical Lymph Nodes
Published on: July 25, 2015
19.1K
使用YOLOv7在患有头部和部状细胞癌的患者的超声波图像上检测转移性淋巴结
Sato Eida1, Motoki Fukuda2, Ikuo Katayama1
1Department of Radiology and Biomedical Informatics, Nagasaki University Graduate School of Biomedical Sciences, 1-7-1 Sakamoto, Nagasaki 852-8588, Japan.
Cancers
|January 23, 2024
概括
使用YOLOv7的深度学习模型在超声波检测转移性淋巴结 (LNs) 方面表现有希望. D模式模型与放射科医生的表现相匹配,帮助缺乏经验的住户诊断头癌.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 超声波对于评估扩大的淋巴结 (LNs) 是至关重要的,因为它的高空间分辨率.
- 超声波的诊断准确性高度依赖于检查人员的专业知识.
- 人工智能提供了标准化和改善诊断性能的潜力.
研究的目的:
- 开发和评估基于YOLOv7的深度学习模型,用于在B模式和D模式超声波上检测转移性LNs.
- 将这些人工智能模型的诊断性能与经验丰富的放射科医生和不那么有经验的住户进行比较.
主要方法:
- 开发了YOLOv7深度学习模型,用于使用B模式和D模式超声波图像检测转移性LN.
- 在462张超声波图像上训练并验证了126名头部和部状细胞癌患者的模型.
- 对基因病理学确认进行模型性能评估,并与放射科医生和住院医生比较结果.
主要成果:
- D模式YOLOv7模型的性能与经验丰富的放射科医生相美,优于住院医生.
- B模式的YOLOv7模型表现优于居民,但精度低于放射科医生.
- 人工智能模型显示,有潜力协助经验较少的临床医生诊断LN.
结论:
- 基于YOLOv7的深度学习模型可以帮助超声波诊断转移性LNs.
- D模式模型有可能将居民的诊断性能提升到经验丰富的放射科医生的水平.
- 人工智能辅助超声波可以提高头癌管理的诊断一致性和准确性.
