优化卵巢瘤分类使用一种新的CT序列选择算法
K V Bhuvaneshwari1, Husam Lahza2, B R Sreenivasa3
1Department of Information Science & Engineering, Bapuji Institute of Engineering & Technology, Davanagere, Karnataka, India.
Scientific reports
|October 24, 2024
概括
这项研究引入了一种新的深度学习方法,使用CT序列选择算法来准确地从CT扫描中分类卵巢瘤. 该方法在区分恶性和早期卵巢癌方面表现出卓越的性能,有助于早期检测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 妇科癌症,特别是卵巢癌,对公众健康构成重大挑战,特别是在医疗保健资源有限的地区.
- 由于意识,病理和查访问问题导致晚期诊断导致患者的治疗结果不佳.
- 准确和早期分类卵巢瘤对于有效治疗和改善生存率至关重要.
研究的目的:
- 使用先进的深度学习技术,提高卵巢瘤分类的准确性.
- 要区分恶性和早期的卵巢癌,以便及时干预.
- 开发和验证一种用于优化深度学习模型中CT图像选择的新算法.
主要方法:
- 使用了三种预训练的深度学习模型:Xception,ResNet50V2和ResNet50V2FPN.
- 使用公开可用的计算机断层扫描 (CT) 扫描数据,特别是TIFF图像.
- 开发并集成了一种新的CT序列选择算法,以优化图像数据进行分类.
主要成果:
- 通过CT序列选择算法增强的ResNet50V2FPN模型在分类卵巢瘤方面表现出卓越的性能.
- 对比评估显示,拟议的算法表现优于现有的最先进的方法.
- 该算法有效地提高了区分恶性和早期卵巢癌的精度.
结论:
- 通过CT序列选择算法开发的深度学习方法为改善早期发现卵巢癌提供了有前途的工具.
- 这种方法有可能显著改善患者的治疗结果,特别是在资源有限的环境中.
- 这项研究强调了先进的人工智能在解决妇科癌症诊断方面的关键挑战方面的有效性.
