基于神经网络的医学超声波图像处理的分类方法的研究
1Department of Ultrasound, Xijing Hospital, Fourth Military Medical University, Xi'an 710032, China.
Computational intelligence and neuroscience
|September 12, 2024
概括
这项研究引入了一个级联深卷积神经网络 (CNN) 用于甲状腺结节超声波图像分类. 混合模型,集成InceptionV3和DenseNet161,显著提高诊断的准确性和效率,帮助临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 病理学 病理学 病理学
背景情况:
- 精确的超声波图像分类对于帮助诊断在临床环境中至关重要.
- 深度学习模型,特别是卷积神经网络 (CNN),显示出对图像分析任务的希望.
研究的目的:
- 设计和评估一种混合级联深度CNN模型,用于有效地对甲状腺结节性病变进行超声波图像分类.
- 为了比较不同CNN架构 (VGG 19,Inception V3,DenseNet 161) 和综合学习方法的性能.
主要方法:
- 追溯收集了1000张甲状腺结节性病变超声波图像.
- 培训和评估VGG 19,Inception V3和DenseNet 161模型. 这是一个非常好的方法.
- 开发一种混合级联CNN模型,将InceptionV3和DenseNet161与多视图策略集成在一起.
主要成果:
- 丹塞Net161和Inception V3模型的表现优于VGG 19,达到更高的准确性 (92.95%和92.87%对比88.20%).
- DenseNet161显示了更快的融合和更好的泛化,具有高效的操作和响应时间.
- 拟议的级联CNN,特别是集成学习和多视图策略,比单个模型和其他方法显著提高了性能.
结论:
- 级联CNN,特别是混合InceptionV3-DenseNet161模型,为甲状腺结节超声波图像分类提供了强大的工具.
- 这种方法具有潜在的临床应用,提供客观的诊断支持和减少医生的工作量.
- 开发的模型可以简化和提高甲状腺结节诊断的可复制性,即使对于非专家.
