一种新的混合深度学习和混乱动力学方法用于甲状腺癌分类
Nada Bouchekout1, Abdelkrim Boukabou1, Morad Grimes2
1Laboratory of Renewable Energy, Department of Electronics, University of Jijel, BP 98, Ouled Aissa, Jijel, 18000, Algeria.
Scientific reports
|November 18, 2025
概括
这项研究引入了一种使用卷积神经网络 (CNN) 的智能分类方法,用于甲状腺癌检测,具有波纹和混乱调制. 这种新的方法在甲状腺超声波分类中实现了高精度,提高了诊断能力.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 人工智能在医学中的应用
- 信号处理 信号处理
背景情况:
- 全球甲状腺癌的发病率正在上升,需要准确的诊断工具来有效治疗.
- 目前用于甲状腺超声波的诊断方法需要提高准确性和效率.
- 智能分类系统有望提高医学成像诊断能力.
研究的目的:
- 开发和评估甲状腺超声波图像的智能分类方法.
- 使用先进的人工智能技术,提高甲状腺癌诊断的准确性和区分特征.
- 评估该方法的性能与最先进的模型相比,以及其临床整合潜力.
主要方法:
- 一个自适应卷积神经网络 (CNN) 与科恩-多贝希斯-费奥沃 (CDF9/7) 波段相结合.
- 来自小波的细节系数使用n-scroll混乱系统进行调制,以增强特征歧视.
- 该方法在公开的DDTI甲状腺超声数据集上使用5倍交叉验证进行了评估,并与其他深度学习骨干进行了比较.
主要成果:
- 拟议的波形混沌-CNN方法在DDTI数据集上实现了98.17%的准确性,98.76%的灵敏性,97.58%的特异性和AUC为0.9912.
- 废除研究表明,与仅使用CDF9/7波段的CNN相比,混乱调制显著提高了超过8个百分点的准确性.
- 该方法在精度和AUC方面超过了EfficientNetV2-S,Swin-T,ViT-B/16和ConvNeXt-T等最先进的骨干,同时保持了计算效率.
结论:
- 波纹混沌-CNN管道为甲状腺超声波分类提供了一种最先进的方法.
- 该方法表现出强大的概括能力,通过对TCIA的交叉数据集测试和对ISIC数据集的转移学习进行验证.
- 可解释性分析证实了确定的区域的临床相关性,表明它们适合临床整合.
