一种基于细分的算法,用于对良性和恶性甲状腺结节进行分类,具有多特征信息
Zhiqiang Zheng1, Enhe Liang1, Yujie Zhang1
1School of Electronic Information Engineering, Inner Mongolia University, 235 Daxue West Road, Saihan District, Hohhot, 010021 Inner Mongolia China.
Biomedical engineering letters
|July 1, 2024
概括
这项研究引入了一种新的"细分+分类"AI模型,以增强甲状腺结节超声波查. 这种先进的模型提高了分类甲状腺结节的诊断准确性,帮助医生区分良性病例和恶性病例.
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:
- 甲状腺结节超声波对于例行查至关重要.
- 准确分类甲状腺结节 (良性与恶性) 仍然是一个临床挑战.
- 现有的AI模型需要改进,以获得可靠的诊断辅助.
研究的目的:
- 开发和验证甲状腺结节超声波的新诊断模型.
- 使用人工智能提高甲状腺结节分类的准确性和一致性.
- 将领域知识集成到人工智能框架中,以改善医疗诊断.
主要方法:
- 提出了一个多尺度细分网络,包括注意力门和Atrous空间金字塔聚合 (ASPP).
- 开发了一个三分支分类网络,利用节点图像,区域图像和边缘图像功能.
- 员工协调注意力 (CA) 机制和跨层次的特征融合,以提高分类准确性.
主要成果:
- 多尺度细分网络实现了高性能:94.27%的mPA,93.90%的Dice和88.85%的MIoU.
- 该分类网络达到86.07%的准确性,81.34%的特异性和90.19%的敏感性.
- 拟议的方法在比较测试中超过了几种经典和最近的AI模型.
结论:
- "细分+分类"模型为甲状腺结节提供了一个有前途的辅助诊断工具.
- 该模型提供了客观的定量指标,减少了诊断中的主观判断偏见.
- 这种人工智能方法提高了诊断一致性和准确性,帮助医生评估结节性质.
