深度交叉融合用于基于超声波的肺结节分类图像图像
Xian Wang1,2, Ziou Zhao1, Donggang Pan3
1Department of Ultrasound, Affiliated People's Hospital of Jiangsu University, Zhenjiang, Jiangsu, China.
Frontiers in oncology
|April 21, 2025
概括
深度交叉缩 (DCEF) 模型改善了在超声波中肺结节的分类. 这种人工智能方法提高了诊断准确度,用于区分良性和恶性结节.
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:
- 通过超声波对肺结节的分类缺乏诊断精度.
- 准确区分良性和恶性结节在临床上具有挑战性.
研究的目的:
- 引入深度交叉缩 (DCEF) 模型,用于增强肺结节分类.
- 为了提高基于超声波的结节评估的诊断准确度.
主要方法:
- 分析了135名患者的回顾性数据集.
- 该DCEF模型集成了ResNet,DenseNet,VGG和InceptionV3使用基于的融合.
- 使用AUC,精度,灵敏度,特异性,精度和F1分数来评估性能.
主要成果:
- DCEF模型的AUC达到0.873 (培训) 和0.792 (测试).
- 测试指标包括71.5%的准确度,70.69%的灵敏度,70.58%的特异性,72.5%的精度和71.13%的F1-score.
- 与传统方法相比,DCEF表现出优越的性能.
结论:
- DCEF模型提高了基于超声波的肺结节评估的诊断可靠性.
- 建议在多中心队列中进一步验证.
- 未来的研究将探索先进的架构和多模式集成.
