一个甲状腺结节超声波图像分级模型整合医疗先前的知识
Hua Chen1, Chong Liu2, Xiaoshi Cheng2
1School of Electrical Engineering, Yanshan University, Qinhuangdao, 066004, China. chenhua@ysu.edu.cn.
Journal of imaging informatics in medicine
|March 11, 2025
概括
这项研究引入了一种AI系统,用于使用深度学习和C-TIRADS标准对甲状腺结节进行分级. 综合方法显著提高了甲状腺超声波图像的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 目前用于甲状腺结节的计算机辅助诊断 (CAD) 主要侧重于良性-恶性分类.
- 需要先进的系统,能够根据C-TIRADS等既有报告系统对甲状腺结节进行分类.
研究的目的:
- 开发和评估基于中国甲状腺成像报告和数据系统 (C-TIRADS) 的甲状腺结节分级的集成深度学习架构.
- 将手工制作和深度功能与医疗事先的知识相结合,以提高诊断性能.
主要方法:
- 预处理涉及删除伪文物 (快速行进方法) 和混合介质过以减少噪音.
- 使用对比度增强使用对比度有限的自适应性直方体平衡.
- 功能提取采用了改进的ShuffleNetV2与多头自我注意力机制,与C-TIRADS先前知识融合在一起.
- 在922张甲状腺超声波图像的数据集上使用极端梯度增强 (XGBoost) 分类器进行分类.
主要成果:
- 拟议的模型实现了高性能指标:97.17%的准确性,97.65%的精度,97.17%的回忆,0.9834的F1得分和0.9855的AUC.
- 将C-TIRADS的先验知识与深度特征相结合,证明了甲状腺结节分级的显著改善.
结论:
- 医学先验知识 (C-TIRADS) 和深度学习功能的融合为甲状腺结节诊断提供了强大的和有效的解决方案.
- 这种方法为开发用于甲状腺超声波分析的先进临床CAD系统提供了可行的新途径.
