使用深度学习在计算机断层扫描中区分组织学脏瘤类型
Hung-Cheng Kan1,2,3, Po-Hung Lin2,3,4, I-Hung Shao2,3,4
1In-Service Master Program in Artificial Intelligence in Medicine, College of Medicine, Taipei Medical University, No.250, Wuxing St., Xinyi Dist., Taipei City, 110, Taiwan.
BMC medical imaging
|February 26, 2025
概括
使用卷积神经网络 (CNN) 的深度学习模型可以从CT扫描中根据亚型区分瘤. Resnet50获得了84.9%的准确性,显示了临床使用的潜力.
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:
- 脏瘤需要精确的组织学亚型化才能有效治疗.
- 从成像中区分瘤亚型可能是具有挑战性的.
研究的目的:
- 用计算机断层扫描 (CT) 扫描来评估深度学习模型在分类脏瘤亚型方面的有效性.
- 为了比较Inception V3和Resnet50模型在此分类任务中的性能.
主要方法:
- 使用卷积神经网络 (CNN) 方法来分析对比增强CT扫描.
- 数据集包括亚型:血管髓脂瘤,细胞瘤,清细胞细胞癌,染色恐惧性细胞癌和乳头性细胞癌.
- 用图像数据集增强和5倍交叉验证来评估模型性能.
主要成果:
- 这项研究分析了554名患者的CT扫描,增加到4238张图像用于训练.
- 该Resnet50型号实现了0.849的准确性,而Inception V3实现了0.830.
- 这两种模型都显示出能够区分各种脏瘤亚型.
结论:
- 深度学习模型有效地从CT图像中分类脏瘤亚型.
- 开发的模型显示出有希望的准确性,表明改善临床决策的潜力.
- 需要进一步的研究和开发,以提高这些AI模型的临床适用性.
