使用基于深度学习神经网络的离散波波变换的肝细胞癌的自动超声学

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:

• 肝细胞癌 (HCC) 的诊断严重依赖于医学成像.
• 腹部超声波 (US) 是一种常见的,非侵入性成像方式,用于肝脏评估.
• 准确和早期发现HCC对于患者的治疗结果至关重要.

研究的目的:

• 介绍HCC-Net,一种基于波纹的新型人工神经网络,用于从美国图像中诊断HCC.
• 开发一个层次化的病变检测和模式增强分类系统.
• 提高自动化HCC检测和分类的准确性和可靠性.

主要方法:

• 用于美国图像分解的离散波形变换 (DWT).
• 实施了一个分层的粗细损伤检测框架 (CoarseNet和FineNet).
• 采用了使用合成波纹组件进行增强特征区分的模式增强分类器.

主要成果:

• 在三星医疗中心数据集上实现了高诊断性能.
• 报告的准确率为96.2%,灵敏度为97.6%,特异性为98.1%.
• 证明了粗细检测和模式增强分类方法的有效性.

结论:

• HCC-Net显示出作为肝癌查可靠工具的巨大潜力.
• 拟议的方法提高了腹部美国图像中的病变检测和分类准确性.
• 基于波纹的图像分解和图案增强提高了诊断能力.