深度卷积神经网络用于在对比增强计算机断层扫描图像中自动细分和分类瘤
K Warin1, W Limprasert2, T Paipongna3
1Faculty of Dentistry, Thammasat University, Pathum Thani, Thailand.
International journal of oral and maxillofacial surgery
|October 16, 2024
概括
卷积神经网络 (CNN) 模型在CT扫描中准确地细分和分类了下巴瘤. 这些人工智能工具有望改善良性与恶性病变的诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 瘤学成像成像 瘤学成像
背景情况:
- 在对比度增强的计算机断层扫描 (CT) 图像中精确的瘤细分和分类对于诊断和治疗规划至关重要.
- 区分良性和恶性下瘤可能是具有挑战性的,需要先进的分析工具.
研究的目的:
- 评估基于卷积神经网络 (CNN) 的图像细分模型的性能,用于细分和分类良性和恶性下瘤.
- 评估U-Net和Mask R-CNN模型在识别瘤边界和区分CT图像上的瘤类型方面的准确性.
主要方法:
- 追溯分析了来自150名瘤患者的3416张对比度增强的CT图像.
- 实施和培训U-Net和Mask R-CNN模型用于图像细分和瘤分类.
- 在测试数据集上使用Dice系数,Jaccard指数和精度回忆曲线下的面积进行性能评估.
主要成果:
- 美国有线电视新闻网 (CNN) 模型实现了高细分精度,子系数从0.90到0.98不等,贾卡德指数从0.82到0.97.
- 对良性与恶性瘤的分类表现显示,精度回忆曲线下的面积在0.63到0.85.5之间.
- 无论是U-Net还是Mask R-CNN,都在对大瘤进行细分和分类方面表现出了显著的能力.
结论:
- 基于CNN的细分模型显示,在对比度增强的CT图像中,大瘤的自动细分和分类具有很高的潜力.
- 这些发现表明,人工智能驱动的方法可以帮助放射科医生提高瘤的诊断准确度.
- 进一步的研究可以探索更大的数据集和多样化的患者群体,以验证这些有希望的结果.
