通过卷积神经网络和生成对抗网络,用于分类良性,恶性和边界卵巢瘤的深度学习方法
Maria Giourga1, Ioannis Petropoulos2, Sofoklis Stavros3
1First Department of Obstetrics and Gynecology, Alexandra Hospital, Medical School, National and Kapodistrian University of Athens, 11528 Athens, Greece.
Medical sciences (Basel, Switzerland)
|February 20, 2026
概括
生成对抗网络 (GAN) 增强的深度学习模型可以使用超声波图像准确地分类卵巢质量,包括边缘卵巢瘤 (BOT). 这种人工智能方法提高了诊断准确度,并支持手术前评估.
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:
- 精确的卵巢质量的术前表征对于患者的管理至关重要.
- 边缘性卵巢瘤 (BOT) 由于它们的稀有性和超声波模两可,因此存在诊断挑战.
- 专家超声波专家的有限可用性需要先进的诊断工具.
研究的目的:
- 开发使用卷积神经网络 (CNN) 和生成对抗网络 (GAN) 的AI分类器,以改善卵巢质量的歧视.
- 从超声波图像中增强良性,恶性和边缘性卵巢瘤 (BOT) 的分类.
- 针对BOTs等罕见疾病的深度学习模型中解决阶级不平衡问题.
主要方法:
- 从636个卵巢质量 (良性,恶性,BOT) 的3816个超声波图像进行了回顾性分析.
- 通过生成2000个合成BOT图像,利用深度卷积GAN (DCGAN) 来进行数据增强.
- 开发了一个三类合奏CNN模型,集成VGG16,ResNet50和InceptionNetV3架构.
主要成果:
- DCGAN增强显著改善了BOT分类性能,F1得分从68.4%增加到86.5%.
- 通过DCGAN集成,总体分类准确度从84.7%上升到91.5%.
- 最终的模型在BOT识别方面实现了高灵敏度 (88.2%) 和特异性 (85.1%),AUC在各类范围从0.91到0.96不等.
结论:
- 基于DCGAN的数据增强有效地克服了BOT等罕见疾病的数据集限制.
- 增强的CNN模型显示了作为手术前卵巢质量评估的决策支持工具的巨大潜力.
- 人工智能驱动的方法可以在具有挑战性的妇科超声波病例中提高诊断准确性.