基于Resnet50的双分支模型的超声波图像分类研究,以U-net细分结果为指导
Xu Yang1, Shuo'ou Qu1, Zhilin Wang1
1School of Electronic Information Engineering, Changchun University of Science and Technology, Changchun, 130022, China.
BMC medical imaging
|November 18, 2024
概括
深度学习模型通过超声波图像增强甲状腺结节的分类,通过解决图像质量问题和医生变异性来提高诊断准确性. 这种人工智能方法提高了准确性,精度和回忆力,用于区分良性和恶性结节.
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:
- 由于甲状腺结节性疾病的发病率越来越高,因此需要改进诊断工具.
- 超声波是甲状腺结节的主要诊断方法,但其分辨率和噪音较低.
- 医生经验和设备的变化会影响诊断的准确性和效率.
研究的目的:
- 开发一种先进的深度学习模型,通过超声波图像准确分类良性和恶性甲状腺结节.
- 为了克服复杂的背景,噪音和甲状腺超声波图像中定义不良的特征所带来的挑战.
- 为了减少医生间和设备间的差异对诊断结果的影响.
主要方法:
- 开发了一种改进的ResNet50分类模型,具有双分支输入和全球关注模块.
- 使用新型ACR模块构建了一个U-net细分模型,以捕获多个规模的上下文信息.
- 分段任务的结果被用作辅助分支来引导分类模型向损伤区域指导.
主要成果:
- 改进后的模型实现了高性能指标:96.01%的准确性,93.3%的精度,98.8%的回忆率和96.0%的F1-score.
- 与基线模型相比,观察到显著改善,精度增加5.7%,回忆增加13.1%.
- 综合分类和细分方法有效地专注于损伤区域,增强诊断能力.
结论:
- 拟议的深度学习模型显著提高了将甲状腺结节分类为良性或恶性的准确性和效率.
- 结合的分类和细分策略为具有噪音和不良特征定义的超声波图像提供了强大的解决方案.
- 这种人工智能驱动的方法有望标准化和增强甲状腺结节的初始诊断,弥合经验和设备差距.
