多机构开发和测试通过超声波增强注意力深度学习的甲状腺结节细分的甲状腺结节细分方法
Joseph L Cozzi1, Hui Li2, Jordan D Fuhrman2
1Department of Radiology, University of Chicago, Chicago, IL, USA. jlcozzi@uchicago.edu.
International journal of computer assisted radiology and surgery
|January 3, 2025
概括
这项研究开发了一种人工智能系统,可以在超声波图像中自动细分甲状腺结节,从而达到高精度. 这种工具可以帮助风险分层,并可能导致自动结节诊断系统.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 甲状腺结节很常见,需要准确的风险分层来预测病理.
- 基于超声波的风险分层,特别是使用ACR的TIRADS分类,至关重要.
- 精确的结节轮确定对于TIRADS评分和基于机器学习的诊断至关重要.
研究的目的:
- 开发和验证一种机器学习系统,用于在超声波图像上自动对甲状腺结节进行细分.
- 通过多机构的独立测试来评估系统的性能.
- 为增强甲状腺结节风险分层和潜在的自动诊断提供一个工具.
主要方法:
- 开发一个AttU-Net (带有注意力的U-Net) 模型用于节点细分.
- 从520名患者中使用1595张甲状腺超声波图像进行培训和验证.
- 使用子相似系数 (DSC) 和百分比豪斯多夫距离 (%HD) 在两个机构的独立测试集上的性能评估.
主要成果:
- 在独立的多机构测试中,AttU-Net取得了高绩效,平均DSC为0.915和0.922.
- 在测试组中,平均HD的百分比为12.9%和13.4%,表明了精确的轮划分.
- 该算法在两个机构中显示了同等的性能,差异幅度最小.
结论:
- 一个强大的自动甲状腺结节细分算法被开发和验证.
- 该系统显示了集成到自动化甲状腺结节风险分层系统的潜力.
- 需要进一步的研究来将这种细分纳入自动化分类系统.
