胰腺病态与正常胰腺的无标签区分,使用CT上的端到端三维多式网络
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China; Department of Radiology, Changhai Hospital of Shanghai, Naval Medical University, Shanghai 200433, China.
Clinical radiology
|July 5, 2024
概括
一个新的深度学习模型,eeMulNet,可以在不到一分钟的时间内从CT扫描中准确诊断胰腺疾病. 这种工具提高了放射科医生的诊断速度和精度,改善了患者的护理.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断放射学.
- 计算病理学计算病理学
背景情况:
- 准确及时诊断胰腺疾病对于有效治疗至关重要.
- 腹部CT成像是评估胰腺异常的主要方式.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和评估一个端到端的多式联络卷积模型来诊断胰腺疾病.
- 评估模型对腹部CT图像快速准确分析的能力.
- 整合图像和文本数据,以提高诊断性能.
主要方法:
- 提出了一个新的轻量级,无标签,端到端的多式联网 (eeMulNet).
- eeMulNet模型执行胰腺区域定位,然后进行多式CT诊断.
- 使用了715名患病者和228名正常腹部CT扫描的数据集,分为训练 (755) 和测试 (188) 组.
主要成果:
- 在独立测试组中,eMulNet模型实现了完美的诊断性能 (AUC 1.0,准确度100%,灵敏度100%).
- 每位患者的平均测试持续时间为41.04秒.
- 核心分类网络仅在0.04秒内处理图像.
结论:
- 该eMulNet模型为胰腺疾病诊断提供了一个高度有效和快速的方法.
- 这项技术可以帮助放射科医生识别可疑病例,提高诊断准确度.
- 该模型的代码和权重是公开的,以促进进一步的研究和应用.
