深度学习在多相CT上鉴别肾小肿块
根据一篇提前发表在3月号上的文章,一种带有卷积神经网络(CNN)的深度学习方法可以支持在动态CT图像中评估肾小实体肿块,并具有可接受的诊断性能美国x射线学杂志(杂志)。
2012年至2016年,日本冈山大学的研究人员研究了159名患者中168个病理诊断的小(≤4cm)实性肾肿块的1807张图像集,这些肿块有四个CT分期:未增强、皮质髓质、肾源性和排泄物。
群众被归类为恶性(n = 136)或使用5点刻度的良性(n = 32),然后将该数据集随机分为五个子集。
由于领导AJR作者Takashi Tanaka解释说,“四个被用于增强和监督培训(48,832张图片),并且用于测试(281张图片)。”
利用Inception-v3架构的CNN模型,在6种不同的CNN模型中评估输出数据的最优截断值下的肿瘤AUC和准确性。
恶性肿瘤和良性病变, Tanaka的团队确实发现皮质-脊髓期的AUC值高于其他期(皮质-脊髓期vs排泄期,p = 0.022)。
此外,皮质-脊髓相图像的准确率最高(88%)。
多变量分析显示CNN模型皮质体型相位是恶性肿瘤的重要预测因素,“与其他CNN模型相比,年龄,性别和病变规模”相比,“Tanaka总结道。
进一步探索
更多信息:Takashi Tanaka等,通过深度学习,对多相对比度增强CT的小(≤4cm)肾肿块进行分化,美国x射线学杂志(2020)。DOI: 10.2214 / AJR.19.22074
期刊信息:
美国x射线学杂志
由...提供美国伦琴射线协会
引用:深度学习区分了多相CT(2020年1月10日)的小肾群,从HTTPS://medicalXpress.com/news/2020-01-deep-differentiatiate-small-nal-masses.html
此文件受版权保护。除作私人学习或研究之公平交易外,未经书面许可,任何部分不得转载。本内容仅供参考之用。
用户评论