超声波甲状腺结节细分算法 基于DeepLabV3+与EfficientNet的基础
Nan Xiao1, Demin Kong1, Junfeng Wang2
1School of Computer and Artificial Intelligence, Zhengzhou University, Zhengzhou, 450000, China.
Journal of imaging informatics in medicine
|February 25, 2025
概括
这项研究引入了EfficientNet-B7与DeepLabV3+用于超声波图像中的甲状腺结节细分,实现了高精度. 这种新的方法比传统方法提高了细分性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超声波图像中的甲状腺结节细分对于诊断至关重要,但由于图像噪音和文物而具有挑战性.
- 对于甲状腺结节细分的现有深度学习方法通常会产生低于最佳的性能.
研究的目的:
- 介绍和评估EfficientNet-B7的新型应用程序,作为DeepLabV3+架构的骨干,用于甲状腺结节细分.
- 评估这种新的深度学习模型在临床和公共数据集上的表现.
主要方法:
- 实现了DeepLabV3+架构,使用EfficientNet-B7作为其特征提取骨干.
- 在州大学第一附属医院的数据集和两个公共超声数据集上对模型的培训和验证.
主要成果:
- 提出的EfficientNet-B7-DeepLabV3+模型实现了高细分精度.
- 关键性能指标包括像素精度 (PA) 为97.67%,子相似度系数为0.8839,和交叉点在联盟 (IoU) 的79.69%.
结论:
- EfficientNet-B7与DeepLabV3+的整合代表了甲状腺结节细分方面的重大进步.
- 这种深度学习方法与大多数传统细分网络相比,表现优越,为临床应用提供了有前途的工具.
