用深 convolutional 神经网络对比增强CT图像来确定口腔癌和肉瘤

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:

• 口腔癌是一个重大的全球健康挑战,导致大量的发病率和死亡率.
• 精确区分口腔癌和肉瘤对于有效的治疗计划至关重要.

研究的目的:

• 开发和评估基于深层卷积神经网络 (CNN) 的模型,用于口腔癌和肉瘤的多类分类和对象检测.
• 评估各种CNN架构在使用对比增强CT图像区分这些口腔癌亚型方面的性能.

主要方法:

• 利用了3,259个口腔癌CT图像切片的数据集,从2016年到2020年.
• 实施的多类分类模型 (DenseNet-169,ResNet-50,EfficientNet-B0,ConvNeXt-Base,ViT-Base-Patch16-224) 用于分类型的区分.
• 使用物体检测模型 (Faster R-CNN,YOLOv8,YOLOv11) 来识别和定位病变.

主要成果:

• 最好的分类模型在区分口腔癌和肉瘤方面达到0.97的准确性.
• 最顶级的物体检测模型在病变检测方面达到0.87的平均平均精度 (mAP).
• 证明了CNN能够准确识别和分类口腔癌亚型的能力.

结论:

• 基于CNN的多类模型显示出在CT成像中精确确定和区分口腔癌和肉瘤的巨大潜力.
• 这些人工智能驱动的方法可能会提高口腔癌的早期检测.
• 这些发现表明诊断能力有所改善,可能为口腔癌患者的治疗策略提供信息.