卷积神经网络的应用,以基于MRI的MRI来区分卵巢神经瘤和卵巢癌
Yuemei Zheng1, Hong Wang2, Tingting Weng3
1Department of Medical Imaging, Affiliated Hospital of Jining Medical University, Jining, PR China.
Acta radiologica (Stockholm, Sweden : 1987)
|May 16, 2024
概括
这项研究使用MRI开发了一个卷积神经网络 (CNN) 来区分卵巢神经瘤和固体卵巢癌. 人工智能模型实现了高精度,帮助放射科医生进行诊断.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢神经瘤纤维瘤和固体卵巢癌具有相似的成像特征,这给放射科医生带来了诊断挑战.
- 由于不同的治疗策略和预后,准确的区分至关重要.
研究的目的:
- 开发一种使用卷积神经网络 (CNN) 和MRI的非侵入性方法,以区分卵巢神经纤维瘤和固体卵巢癌.
- 为了提高模型的可解释性,使用Grad-CAM对分类决策进行视觉解释.
主要方法:
- 156个卵巢瘤的数据集 (86个卵巢纤维瘤,70个卵巢癌) 被分为训练,验证和测试集 (8:1:1比).
- 通过测试各种CNN架构,重量模式,优化器和感兴趣区域 (ROI) 大小来优化模型性能,结果平均为10次运行.
- 使用梯度加权类激活映射 (Grad-CAM) 可视化CNN的决策过程.
主要成果:
- 使用预训练重量,Adam优化器和单个ROI的ResNet18模型实现了最佳性能.
- 该模型显示平均准确度为0.852,精度为0.828,回忆率为0.848,AUC为0.919 (P < 0.01).
- 格拉德-CAM分析显示了卵巢神经瘤纤维瘤 (边缘或内部) 和固体卵巢癌 (内部) 的独特局部模式.
结论:
- 应用于MRI数据的卷积神经网络 (CNN) 显示出在区分卵巢神经瘤-纤维瘤和固体卵巢癌方面具有显著的潜力.
- 这种人工智能驱动的方法可以成为放射科医生的宝贵工具,提高诊断准确性和患者管理.
