使用超声波图像分析和双边平均集群策略进行高级甲状腺结节检测
Devanand Ongole1, S Saravanan1
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Tamil Nadu, 603203, India.
Computers in biology and medicine
|January 7, 2025
概括
这项研究引入了一种新方法,使用超声波图像通过分析斑来检测甲状腺结节的严重程度. 先进的Bi-ResNet101模型准确地识别了结节的特征,改善了癌症诊断.
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:
- 甲状腺结节的诊断依赖于成像,但准确评估严重程度,尤其是潜在的恶性瘤,仍然具有挑战性.
- 甲状腺结节内的斑是已知的严重性指标,可能与甲状腺癌相关.
- 现有的诊断方法可能缺乏必要的精度来量化斑的存在及其对恶性瘤的影响.
研究的目的:
- 开发一种使用超声波图像的甲状腺结节的先进诊断方法.
- 通过精确分析斑来提高甲状腺结节细分和严重性评估的准确性.
- 引入和评估一种新的深卷积神经网络 (DCNN),采用新的集群策略,以提高诊断性能.
主要方法:
- 开发了一种新的双边平均集群策略 (Bi-MCS),整合了模糊的C-平均和K-平均集群.
- 采用Bi-MCS,通过分析与斑相关的像素强度变化,精确识别甲状腺结节边缘来提高基于色感的细分精度.
- 该Bi-MCS技术被集成到一个修改后的ResNet101架构中,创建了Bi-ResNet101 DCNN,用于分析灰度强度配置和斑密度.
主要成果:
- 与标准ResNet模型 (Resnet18,Resnet50,Resnet101) 相比,Bi-ResNet101模型在计算斑密度方面表现出卓越的性能.
- 实验分析证实了Bi-ResNet101在根据斑分析准确分类甲状腺结节不同阶段的增强能力.
- 拟议的方法在识别结节边缘方面取得了更高的精度,这对于准确的严重程度确定至关重要.
结论:
- 开发的Bi-ResNet101模型,利用Bi-MCS技术,在非侵入性诊断甲状腺结节方面取得了重大进展.
- 通过这种方法精确量化超声波图像中的斑,可以更精确地分类甲状腺结节的严重程度,并可能更早地检测甲状腺癌.
- 这种方法有望提高诊断准确性和治疗甲状腺结节患者的结果.
