对混合CNN模型的评估,用于自动检测恶性和良性病变
Karima Bahmane1,2, Sambit Bhattacharya1, Alkhalil Brahim Chaouki2
1Department of Mathematics and Computer Science, Intelligent Systems Laboratory, Fayetteville State University, Fayetteville, NC 28301, USA.
Medicina (Kaunas, Lithuania)
|November 27, 2025
概括
一个新的混合深度学习模型从超声波图像中准确地分类甲状腺结节. 这种人工智能工具在改善诊断一致性和减少临床实践中的错误方面表现有前途.
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:
- 根据恶性瘤风险准确地分层甲状腺结节对于患者的护理至关重要.
- 深度学习,特别是卷积神经网络 (CNN),在医学图像分类方面显示出重大潜力.
研究的目的:
- 开发和评估一种新的混合CNN模型,用于使用超声波图像对甲状腺结节进行分类.
- 提高甲状腺结节恶性瘤风险评估的准确性和可靠性.
主要方法:
- 使用了TN5000超声波图像数据集 (5000张图像).
- 采用数据增强技术 (基于R的异常和基于GAN的G-RAN) 来解决类不平衡.
- 开发了一种混合CNN模型,使用SE块和剩余精炼模块的EfficientNet-B3骨干.
主要成果:
- 实现了高性能:89.73%的精度,90.01%的灵敏度,88.23%的精度和88.85%的F1分数.
- 模型培训在42分钟内完成.
结论:
- 拟议的混合CNN模型显示了甲状腺结节分类的强大潜力.
- 这种人工智能工具可以作为临床医生可靠的决策支持系统,增强诊断一致性并最大限度地减少人类错误.
