神经网络模式识别超声波图像灰度尺度强度乳腺病变的基因组图,以区分良性和恶性病变:分析研究分析研究
Arivan Ramachandran1, Shivabalan Kathavarayan Ramu2,3
1Postgraduate Institute of Medical Education and Research, Chandigarh, India.
JMIR biomedical engineering
|June 22, 2024
概括
一个简单的卷积神经网络使用超声波灰度尺度强度值准确地区分恶性乳腺病变. 这种机器学习方法为低资源环境提供了具有成本效益的诊断工具.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在诊断中的应用
- 乳腺病变的表征 乳腺病变的表征
背景情况:
- 机器学习正在探索使用超声波放射性特征区分良性和恶性乳腺病变.
- 虽然使用了平均回声性比率,但灰度强度直方图值作为恶性病变检测的唯一放射性特征仍未得到充分探索.
- 这项研究研究了一种用于乳腺病变分类的新型放射性特征.
研究的目的:
- 评估一个简单的卷积神经网络 (CNN) 在分类乳腺病变方面的有效性.
- 为了利用乳房超声波的灰度尺度强度值作为CNN的输入.
- 评估简单的人工智能模型在乳腺癌诊断中的潜力.
主要方法:
- 收集了200个乳腺病变的超声波数据集.
- 从定义的感兴趣区域提取灰度尺度强度值.
- 使用病变强度数据和诊断训练并测试了一个卷积神经网络.
主要成果:
- 美国有线电视新闻网 (CNN) 实现了高诊断性能.
- 实现了94.5%的准确度和94%的精度.
- 已证明94.9%的灵敏度和94.1%的特异性.
结论:
- 简单的神经网络是有效的诊断恶性乳腺病变使用超声波灰度强度.
- 这种方法具有成本效益,易于实施.
- 适用于人力最少的低资源环境.
