通过深度学习在超声波图像中定位甲状腺结节的位置和风险分层
Zhipeng Wang1, Xiuzhu Wang2, Ting Wang3
1Department of Radiology, Second Affiliated Hospital of Shandong First Medical University, Tai'an, China; School of Radiology, Shandong First Medical University and Shandong Academy of Medical Sciences, Tai'an, China.
Ultrasound in medicine & biology
|March 17, 2024
概括
这项研究开发了一个综合系统,将深度学习和甲状腺成像报告和数据系统 (TI-RADS) 结合起来,用于甲状腺结节风险分层和细分. 该系统在TI-RADS 4结节的分类中实现了高精度,提高了临床适用性.
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:
- 深度学习模型越来越多地用于甲状腺结节诊断.
- 准确的风险分层和甲状腺结节的细分对于临床决策至关重要.
- 甲状腺成像报告和数据系统 (TI-RADS) 是分类甲状腺结节的标准.
研究的目的:
- 开发一个综合系统,结合深度学习模型和TI-RADS,同时对甲状腺结节进行细分和风险分层.
- 评估该综合系统在TI-RADS 4甲状腺结节分类中的性能.
主要方法:
- 通过使用面具区域基于卷积神经网络 (Mask R-CNN) 和TI-RADS开发了一个集成系统.
- 该系统经过304张来自两个独立站点的TI-RADS 4甲状腺结节的超声波图像的训练和验证.
- 使用准确度,精度回忆曲线和Dice相似系数 (DSC) 来评估性能.
主要成果:
- 综合系统实现了TI-RADS 4甲状腺结节的整体分层准确率为90.79%.
- 平均平均精度为0.8579,对细分的平均DSC为0.83.
- 对于TI-RADS 4a,4b和4c节点的特定分层精度分别为95.83%,84.21%和77.78%.
结论:
- 结合TI-RADS和深度学习的综合系统有效地执行甲状腺结节的同时细分和风险分层.
- 该系统增强了诊断辅助,并提高了甲状腺结节评估的临床适用性.
