将图像分辨率纳入神经网络可以提高超声波图像中的瘤分类性能吗?
Haihao He1,2, Yuhan Liu3, Xin Zhou1,2
1The SMART (Smart Medicine and AI-based Radiology Technology) Lab, Shanghai Institute for Advanced Communication and Data Science, Shanghai University, Shanghai, China.
Medical & biological engineering & computing
|August 31, 2024
概括
将超声波图像分辨率集成到深度学习模型中,可以显著改善脏瘤诊断. 这种方法提高了在超声波图像中区分恶性和良性瘤的准确性.
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:
- 深度学习越来越多地用于超声波图像分析,包括解释.
- 当前的深度学习方法往往忽视了超声波图像分辨率的关键作用.
研究的目的:
- 研究将超声波图像分辨率集成到卷积神经网络中,用于脏瘤诊断的影响.
- 开发和比较用于将解析功能纳入深度学习模型的新方法.
主要方法:
- 提出了两种方法来弥合提取的神经网络特征和图像分辨率特征之间的语义差距:直接连接和维度缩小,然后组合.
- 用926个瘤超声波图像 (211个良性,715个恶性) 的数据集进行比较.
- 建立了端到端的瘤分类系统.
主要成果:
- 没有分辨率集成的基线方法实现了接收器运行特征曲线 (AUC) 下的面积为0.8665.
- 采用图像分辨率的两种拟议方法实现了明显更高的AUC,分别为0.8926和0.9135 (P < 0.0001).
结论:
- 将超声波图像分辨率集成到深度学习模型中,可以明显提高瘤分类的准确性.
- 与不考虑图像分辨率的模型相比,提出的方法为区分恶性和良性脏瘤提供了更好的诊断性能.
更多相关视频
03:19Author Spotlight: Developing a Bedside Protocol for Kidney and Genitourinary Ultrasonography
Published on: June 21, 2024
1.0K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
