甲状腺结节的超声波数据集与病理诊断注释,用于深度学习
Xiaowen Hou1,2, Menglei Hua3, Wei Zhang4
1Ningbo Hangzhou Bay Hospital, Ningbo, China.
Scientific data
|November 23, 2024
概括
这项研究引入了大量的甲状腺超声波图像数据集与病理诊断. 该资源使深度学习模型的开发能够从超声波图像中直接预测癌症,从而提高诊断准确度.
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:
- 甲状腺结节超声波 (US) 可能耗时且依赖观察者.
- 精细针吸收活检 (FNAB) 往往是必要的确定的诊断,尽管超声波甲状腺成像报告和数据系统 (TIRADS) 阶段.
- 现有的深度学习模型经常使用TIRADS报告作为标签,而不是直接的病理结果.
研究的目的:
- 展示与病理诊断相关的甲状腺超声波图像的大型注释数据集.
- 促进深度学习算法的开发,以便从美国图像直接推断组织学状态.
- 在这个新型数据集上提供使用深度学习模型的验证示例.
主要方法:
- 从842个回顾案例中编制了一个由8508张美国图像组成的数据集.
- 每个病例都有病理诊断的注释.
- 使用数据集开发和验证了三种深度学习模型.
主要成果:
- 数据集包括大量的甲状腺超声波图像,证实了病理结果.
- 深度学习模型展示了从美国图像直接组织学状态预测的潜力.
- 该数据集是培训和评估甲状腺结节诊断中的AI的宝贵资源.
结论:
- 这一数据集对于推进人工智能驱动的甲状腺结节分析至关重要.
- 从使用深度学习的美国图像直接推断组织状况可以简化诊断.
- 这种方法有可能减少对侵入性活检的依赖,并提高诊断效率.
