| 基于卷积神经网络的超声影像肝癌自动分类 |
| |
| 作者姓名： | 李睿 许祥丛 林静怡 黄良汇 曾亚光 郑玮 陈广义 王雪花 韩定安 |
| |
| 作者单位： | 1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225;3)佛山科学技术学院机电工程与自动化学院,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225;3)佛山科学技术学院机电工程与自动化学院,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225;3)佛山科学技术学院机电工程与自动化学院,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225,4)中山大学肿瘤防治中心,广州 510062,3)佛山科学技术学院机电工程与自动化学院,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225,1)佛山科学技术学院物理与光电工程学院,佛山 528225;2)佛山科学技术学院,粤港澳智能微纳光电技术联合实验室,佛山 528225 |
| |
| 基金项目： | 广东省重点领域研究与发展计划（2020B1111040001）,国家自然 科学基金（61805038,62075042,61705036,61771139） 和粤港 澳智能微纳光电技术联合实验室研究基金（2020B1212030010） 资 助项目。 |
| |
| 摘 要： | 
目的 针对从原发性肝癌中检测肝细胞癌（HCC）的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验,本文利用深度卷积神经网络（CNN）的方法自动学习B超和超声造影（CEUS）图像中的特征信息,并实现对肝癌的分类。方法 建立并验证基于CNN的多个二维（2D）和三维（3D）分类模型,分别对116例患者（其中100例HCC和16例非HCC）的B超和CEUS影像进行定量分析,并对比分析各个模型的分类性能。结果 实验结果表明,3D-CNN模型的各方面性能指标都优于2D-CNN模型,验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征,比2D-CNN模型更适用于HCC与非HCC分类。
其中3D-CNN模型的AUC、准确率和敏感度值最高,分别达到了85%、85%和80%。此外,由于HCC和非HCC样本不均衡,通过扩充非HCC样本的数量可以提升网络的分类性能。结论 本文提出的3D-CNN模型能够实现快速、准确的肝癌分类,有望应用于辅助临床医师诊断与治疗肝癌。
|
| 关 键 词： | 深度学习 卷积神经网络 肝癌分类 超声影像 |
| 收稿时间： | 2022-03-18 |
| 修稿时间： | 2023-02-16 |
|
| 点击此处可从《生物化学与生物物理进展》浏览原始摘要信息 |
|
点击此处可从《生物化学与生物物理进展》下载免费的PDF全文 |
|
