通过使用超声波成像来自动分类肝纤维化阶段
Hyun-Cheol Park1, YunSang Joo2, O-Joun Lee3
1Division of Industrial Mathematics, National Institute for Mathematical Sciences, 70, Yuseong-daero, Yuseong-gu, 34047, Daejeon, Republic of Korea.
BMC medical imaging
|February 6, 2024
概括
深层卷积神经网络 (DCNNs) 准确地使用超声波图像对肝纤维化阶段进行分类. EfficientNet表现出高性能,提供了一个潜在的工具来支持放射科医生诊断肝纤维化.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 超声波成像对于慢性肝炎和肝硬化评估至关重要.
- 目前的超声波解释是主观的,需要熟练的放射科医生.
- 自动分类可以解决放射科医生短缺的问题,特别是在资源有限的环境中.
研究的目的:
- 评估深层卷积神经网络 (DCNNs) 用于分类肝纤维化.
- 评估DCNN在超声波图像中预测METAVIR得分方面的性能.
主要方法:
- 使用了7920张超声波图像,来自933名METAVIR得分得到确认的患者.
- 培训并验证了五种DCNN模型:VGGNet,ResNet,DenseNet,EfficientNet和ViT. 这些模型包括:
- 使用AUC,精度,灵敏度和特异性评估性能.
主要成果:
- 所有五个DCNN都实现了高平均AUC值 (0.95-0.96).
- 模型表现出一致的平均精度 (0.94) 和特异性 (0.96).
- EfficientNet获得了最高的灵敏度 (0.85).
结论:
- 通过使用传统的B模式超声波,DCNN有效地分类肝纤维化阶段.
- 在使用更少的计算资源的情况下,EfficientNet表现出卓越的性能.
- 基于DCNN的分类可以帮助快速,准确的肝纤维化诊断,并支持临床实践.
