深度学习用于使用对比增强超声波对固体关瘤的分类
Yun Bai1, Zi-Chen An1, Lian-Fang Du1
1Department of Ultrasound, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Journal of imaging informatics in medicine
|May 6, 2025
概括
深度学习模型在使用对比增强超声波 (CEUS) 图像来分类瘤亚型方面表现有前途. RepVGG-A0模型实现了84.5%的准确性,证明了对非侵入性瘤诊断的潜力.
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:
- 准确地分类脏瘤亚型对于有效的治疗计划至关重要.
- 与对比度增强的超声波 (CEUS) 为脏瘤评估提供了一种非侵入性成像方式.
- 深度学习 (DL) 在医学图像分析中显示出潜力,但需要对特定应用程序 (如脏瘤亚型) 进行验证.
研究的目的:
- 评估深度学习模型在使用CEUS图像对固体关膜瘤亚型的分类中的有效性.
- 为了比较不同深度学习架构 (ResNet-18和RepVGG) 的分类性能.
主要方法:
- 对237个经CEUS扫描的脏瘤 (血管脂质瘤,透明细胞RCC,乳头RCC,染色恐惧RCC) 进行了回顾性分析.
- 两种深度学习模型ResNet-18和RepVGG-A0进行了瘤亚型分类的训练和验证.
- 计算了性能指标,包括精度,AUC,灵敏度和特异性. 类激活映射 (CAM) 用于可视化.
主要成果:
- RepVGG-A0模型的整体准确度更高 (84.5%),而ResNet-18的准确率为76.7%.
- 在所有亚型中,RepVGG-A0表现出优异的曲线下面面积 (AUC) 值,清晰细胞RCC (0.911) 和血管肌脂瘤 (0.906) 的最高值.
- 两种模型都表现出可靠的差异化能力,CAM突出显示了预测区域.
结论:
- 深度学习模型,特别是RepVGG-A0,可以有效地从CEUS图像中分类脏瘤亚型.
- 这些人工智能驱动的方法为改善脏瘤诊断和管理提供了潜在的客观和非侵入性方法.
- 需要在更大的队列中进一步验证以确认临床效用.
