提高使用深度学习模型与肝炎病毒感染信息的肝脏瘤超声波图像分类准确度

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 使用深度学习的计算机辅助诊断 (CAD) 正在推进医学图像分析.
• 以前的研究从超声波图像中对肝脏瘤 (囊,血管瘤,HCC,转移) 进行了分类,但缺乏用于深度学习的补充数据.
• 肝炎病毒感染在肝脏瘤发展中的作用需要探索它对诊断准确性的影响.

研究的目的:

• 通过使用深度学习在超声波图像中提高肝脏瘤的分类准确性.
• 研究将肝炎病毒感染信息纳入深度学习模型的影响.
• 提高诊断性能,以区分肝囊,血管瘤,肝细胞癌和转移性肝癌.

主要方法:

• 深度学习模型被训练来分类四种肝脏瘤类型的超声波图像.
• 肝炎病毒感染数据 (HBs抗原和HCV抗体状态) 被整合到四种组合中.
• 将这些信息在完全连接的层中添加和加权之前和之后的分类准确性进行了比较.

主要成果:

• 随着添加肝炎病毒感染数据,整体分类准确性从0.574增加到0.643.
• 肝囊 (0.87至0.88),肝细胞癌 (HCC) (0.46至0.59) 和转移性肝癌 (0.54至0.62) 的F1-分数有所改善.
• 肝细胞癌 (HCC) 显示F1-Score最显著的改善,这表明这种恶性瘤的诊断能力得到了增强.

结论:

• 将肝炎病毒感染信息集成到深度学习模型中,可以明显提高超声波肝脏瘤分类的准确性.
• 这种方法为增强肝脏疾病的计算机辅助诊断系统提供了一个有希望的策略.
• 进一步的研究可以探索结合额外的临床数据,以进一步完善诊断准确性.