深度学习技术用于使用多视图超声图像对甲状腺结节进行分类:临床应用中的潜在好处和挑战
Jinyoung Kim1, Min-Hee Kim1, Dong-Jun Lim1
1Division of Endocrinology and Metabolism, Department of Internal Medicine, College of Medicine, The Catholic University of Korea, Seoul, Korea.
Endocrinology and metabolism (Seoul, Korea)
|January 13, 2025
概括
深度学习算法使用超声波图像准确地分类甲状腺结节,显示甲状腺癌诊断的潜力. 性能可以根据图像质量和采集方法而有所不同.
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:
- 甲状腺结节的分类依赖于准确的成像和细胞病理学.
- 深度学习为医疗图像的自动化分析提供了潜力.
- 对甲状腺结节分类的深度学习的评估至关重要.
研究的目的:
- 评估深度学习算法的有效性,以对超声波图像上的甲状腺结节进行分类.
- 为了比较不同卷积神经网络 (CNN) 架构的性能.
主要方法:
- 追溯分析了来自943名患者的1,048个甲状腺结节.
- 使用CNN (ResNet,DenseNet,EfficientNet) 和语网络进行多视图分析.
- 根据贝塞斯达类别V (可疑) 和VI (恶性) 的定义甲状腺癌.
主要成果:
- 深度学习模型在甲状腺结节分类方面取得了高准确性.
- 与横向图像相比,纵向图像显示出更高的预测能力.
- 使用配对图像的多视图分析显著改善了模型性能,精度高达0.83.
结论:
- 在超声波图像中,CNN算法在分类甲状腺结节方面表现出显著的准确性.
- 深度学习作为甲状腺癌诊断的工具具有前途.
- 临床性能可能会受到图像质量和采集可变性的影响.
