基于深度学习的甲状腺结节的分类,使用不确定性意识的多模式超声波成像

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:

• 准确的甲状腺结节分化对于早期甲状腺癌诊断至关重要.
• 目前的深度学习方法主要使用灰度超声波,限制了诊断潜力.
• 整合多种超声波模式可以提供更全面的结节特征.

研究的目的:

• 通过结合B模式,彩色多普勒 (CD) 和剪切波弹性学 (SWE) 数据来提高甲状腺结节分类性能.
• 开发和验证一个定制的深度学习架构,用于多模式超声波分析.
• 评估多模式成像对单模式和双模式方法的诊断优势.

主要方法:

• 一项前性研究包括来自422名受试者的506个甲状腺结节.
• 一个新的深度学习网络集成了MobileNetV2与深度可分离的卷积,基于注意力的聚合和自我注意力.
• 为了强大的多式联运数据集成,采用了意识到不确定性的融合策略.

主要成果:

• 多模式方法实现了高精度 (0.95),灵敏度 (0.98),特异性 (0.92) 和F1得分 (0.95).
• 在ROC曲线下的面积 (AUC) 达到0.97,超过单模 (AUC 0.73-0.90) 和双模 (AUC 0.90-0.97) 数据.
• 拟议的网络表现出与具有较小架构的最先进模型相比具有可比或优越的性能.

结论:

• 多模式超声波成像,结合定制的深度学习网络,显著改善了甲状腺结节的分类.
• 这种综合方法提高了诊断性能,为甲状腺癌检测提供了更有效的工具.
• 开发的网络为分析复杂的超声波数据提供了一种高效准确的方法.