基于来自超声波图像的深度转移学习特征的肝囊性球菌病的计算机辅助诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 肝囊性乙球菌病 (HCE) 是一种严重的肝病,有五种不同的亚型,需要不同的治疗方法.
• 准确诊断HCE亚型至关重要,但对临床医生来说具有挑战性,导致潜在的误诊.
• 计算机辅助诊断 (CAD) 系统为提高临床实践中的诊断准确性提供了一个有希望的解决方案.

研究的目的:

• 开发和评估一个高效的CAD系统,使用超声波图像自动区分HCE的五种亚型.
• 利用深度转移学习和已建立的机器学习模型来改进HCE分类.
• 评估系统的性能和实际实用性,特别是在有限的培训数据下.

主要方法:

• 使用预训练的VGG19卷积神经网络 (CNN) 来从1820 HCE超声图像中提取深度特征.
• 集成的k-最近邻居 (KNN) 和支持向量机 (SVM) 分类器来分类提取的深度CNN特征.
• 进行了10次5倍交叉验证的实验,比较软max,KNN和SVM分类器.

主要成果:

• 与深度CNN功能相结合的SVM分类器实现了最高的分类准确率92.01% ± 1.48% (P < 0.05).
• 在KNN和转移学习VGG19模型中,准确度略低,分别为90.46%±1.59%和90.92%±2.49%.
• 该系统即使在训练数据集减少的情况下也表现出有效的性能,突出显示了转移学习的实用性.

结论:

• 拟议的CAD系统采用深度CNN功能和SVM分类器,显著提高了从超声波图像中区分HCE亚型的准确性.
• 转移学习是一种有价值的技术,用于开发医疗图像分析工具,当大数据集稀缺时.
• 这种由人工智能驱动的方法有可能帮助临床医生更精确地诊断肝囊性球菌,改善患者的治疗结果.