在超声波图像中可靠地分类甲状腺结节的多任务模型
Guangxin Xing1, Zhengqing Miao1, Yelong Zheng1
1State Key Laboratory of Precision Measuring Technology and Instruments, Tianjin University, Tianjin, 300072 China.
Biomedical engineering letters
|February 20, 2024
概括
一种新的计算机辅助诊断方法,DSMA-Net,在超声波图像中准确地区分良性和恶性甲状腺结节. 这种人工智能工具增强了医生的诊断能力,改善了怀疑甲状腺癌的患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 甲状腺结节很常见,恶性瘤的评估对治疗至关重要.
- 超声波成像是诊断甲状腺结节的标准.
- 准确分类良性与恶性结节仍然是一个挑战.
研究的目的:
- 开发一种新的计算机辅助诊断 (CADx) 方法,用超声波图像对甲状腺结节进行分类.
- 为了提高区分良性和恶性甲状腺病变的准确性.
- 提高诊断能力的临床医生管理患者甲状腺结节.
主要方法:
- 提出了一个多任务学习框架,命名为DSMA-Net.
- 集成的密集连接,挤压和激发 (SE) 连接,以及用于特征提取的形空间金字塔聚合 (ASPP).
- 在专门的甲状腺数据集上使用10倍交叉验证评估了该模型.
主要成果:
- 在六个指标上实现了高性能:93.49%的准确性,95.54%的灵敏性,91.52%的特异性,91.63%的积极预测值,95.47%的负预测值和96.84%的AUC.
- 在所有评估的指标上,DSMA-Net的表现优于现有的分类网络.
- 在区分良性和恶性甲状腺结节方面表现出卓越的性能.
结论:
- 拟议的DSMA-Net模型提供了一种强大而准确的甲状腺结节分类方法.
- 这种人工智能驱动的方法显示了提高甲状腺癌临床诊断的重大前景.
- 该方法有可能改善患者管理和疑似恶性甲状腺病变的结果.
