使用3D U-Net和带有深度特征的放射学,对冠状腺瘤进行自动分类
Tuan Le Dinh1, Seungeun Lee2, Hyemin Park2
1Visual Analysis and Learning for Improved Diagnostics (VALID) Lab, College of Medicine, The Catholic University of Korea, 222 Banpo-daero, Seocho-gu, Seoul, 06591, Republic of Korea.
Scientific reports
|July 2, 2025
概括
这项研究引入了混合深度学习和放射学方法来分类冠状腺瘤,实现高精度. 该方法集成了3D细分,放射学和深度学习功能,以改善诊断辅助.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 准确的冠状腺瘤分类对于治疗规划至关重要.
- 深度学习和放射学显示了自动化医学图像分析的潜力.
研究的目的:
- 开发和评估一种混合深度学习和放射学方法,用于冠状腺瘤分类.
- 整合3D细分,放射学和深度学习功能,以提高诊断准确度.
主要方法:
- 使用nnUNetv2框架进行3D兴趣区域 (ROI) 划分的瘤细分.
- 从ROI中提取放射学和深度学习特征.
- 使用随机森林,XGBoost,梯度提升,LightGBM和CatBoost开发分类模型,特征选择识别15个放射性和15个深度特征.
主要成果:
- 混合方法整合了放射学,ROI来源的深度学习功能和临床变量,实现了最佳的分类性能.
- CatBoost分类器显示了最高的准确性 (0.90),加权卡帕 (0.85) 和AUC (0.91).
结论:
- 将3D U-Net辅助细分与放射学和深度学习功能的整合显示出改善冠状腺瘤分类的巨大潜力.
- 这种混合方法可以帮助临床决策诊断冠状腺瘤.
