基于深度学习的癌症检测在超声波微血管图像中的可行性
Kathlyne Jayne B Bautista1, Thomas M Kierski1, Isabel G Newsome1
1Lampe Joint Department of Biomedical Engineering, The University of North Carolina at Chapel Hill, Chapel Hill, NC, 27599, USA; North Carolina State University, Raleigh, NC, 27606, USA.
Ultrasonics
|November 21, 2025
概括
深度学习模型使用声学血管学准确检测瘤血管系统. 这种方法克服了手动分析的局限性,在体内提供高效和精确的癌症检测.
科学领域:
- 医疗成像医学成像
- 超声波技术 超声波技术 超声波技术
- 在瘤学中使用人工智能
背景情况:
- 声波血管造影绘制3D微血管图谱,用于疾病检测.
- 目前使用声动脉谱进行癌症检测受到手动细分和操作员可变性的限制.
研究的目的:
- 开发深度学习模型,以有效和准确地在体内检测与瘤相关的血管系统.
- 根据定量血管形态学方法验证深度学习性能.
主要方法:
- 训练有素的卷积神经网络 (CNN),包括EfficientNet,ResNet和DenseNet,在195个动物声学血管学卷 (98个对照,97个瘤) 的数据集上.
- 使用了一个嵌套的交叉验证研究设计.
- 将CNN的结果与血管形态学的定量分析进行了比较.
主要成果:
- 3D EfficientNet-B0模型实现了0.928 ± 0.034的平均分类精度,具有高灵敏度和特异性.
- 高网络关注区域与恶性血管特征相关,如增加密度和曲度.
- 美国有线电视新闻网的表现与以前的研究可比,并与定量标记器进行验证.
结论:
- 端到端的CNN提供了一种高效且准确的方法,用于在声血管图卷中检测瘤.
- 深度学习模型可以有效地识别与瘤相关的血管系统,有助于癌症诊断.
- 这种方法克服了手动分析和运营商间变化的局限性.
