胰腺瘤内镜超声波:用于卷积神经网络分类器的基准数据集
Mira Razafindrambao1,2, Motasem Nawaf3, Rabah Iguernaissi3
1Aix Marseille University, CNRS, LIS, Marseille, France. mira.razafindrambao@lis-lab.fr.
Journal of imaging informatics in medicine
|October 31, 2025
概括
这项研究引入了用于胰腺癌检测的新内镜超声波数据集. 该数据集有助于开发计算机辅助诊断 (CAD) 系统,在瘤分类和细分方面显示出有希望的结果.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 胃肠病学 胃肠病学
背景情况:
- 胰腺癌的诊断严重依赖于内镜超声波.
- 计算机辅助诊断 (CAD) 系统,特别是深度学习模型,需要大量的数据集来进行有效的培训.
- 有限的研究存在于CAD用于胰腺癌内镜超声波.
研究的目的:
- 引入一种新的内镜超声波数据集,用于胰腺瘤分类.
- 在分类和细分任务中建立最先进模型的基准结果.
- 用类激活地图评估AI模型的可解释性.
主要方法:
- 创建了来自606名患者的7825张内镜超声波图像的新数据集,包括带有和没有瘤的图像,以及针对瘤的细分口罩.
- 数据集被手动分为训练和测试集.
- 最先进的模型,如EfficientNetV2用于分类和U-Net用于细分,进行了基准测试.
主要成果:
- EfficientNetV2实现了89.88%的准确性和96.12%的AUC进行分类.
- 对于细分,U-Net获得了79.11%的子得分.
- 可解释的人工智能热图显示与细分面具的重叠有限 (软子得分为8.69-40.81%).
结论:
- 新的数据集和有希望的分类/细分结果突出显示了CAD在胰腺瘤分析方面的潜力.
- 模型分类性能和可解释性之间存在差距,需要进一步研究.
- 这项工作推进了人工智能驱动的诊断工具,通过内镜超声波检测胰腺癌.
