在CT扫描中以深度学习辅助检测和分类胸腺瘤瘤
Murat Kılıç1, Merve Bıyıklı1, Salih Taha Alperen Özçelik2
1Department of Thoracic Surgery, Faculty of Medicine, Inonu University, Malatya 44210, Türkiye.
Diagnostics (Basel, Switzerland)
|December 30, 2025
概括
一个新的深度学习模型通过结合VGG16和MLP-Mixer来改进胸腺瘤诊断,以使用CT扫描精确检测和分类良性与恶性瘤.
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:
- 胸腺瘤是一种罕见的胸腺瘤,由于其细微的形态,在CT扫描上存在诊断挑战.
- 准确地区分其他中病理和亚型分类 (良性与恶性) 是至关重要的.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型,以提高胸腺瘤检测和分类.
- 提高诊断准确度,以区分胸腺瘤和健康病例,并分类胸腺瘤亚型.
主要方法:
- 开发了一个混合DL模型,集成VGG16用于特征提取和MLP-Mixer用于特征增强.
- 应用了定制的图像预处理和后处理技术.
- 性能与使用精度,F1分数,回忆和精度的最先进的DL模型进行了对比.
主要成果:
- 拟议的模型实现了97.15%的准确性和80.99%的F1分数,用于胸腺瘤与健康分类.
- 对于良性与恶性胸腺瘤分类,该模型达到79.20%的准确性和78.51%的F1评分.
- 该模型在两个分类任务中都超过了所有基线方法.
结论:
- 结合VGG16和MLP-Mixer的方法为胸腺瘤诊断提供了卓越和平衡的性能.
- 这种DL模型显示了临床决策支持在识别和分类胸腺瘤的重大潜力.
