多分類甲状腺疾患のためのマルチチャネル深部畳込みニューラルネットワーク【JST・京大機械翻訳】

Zhang Xinyu; Lee Vincent CS.; Rong Jia; Lee James C.; Song Jiangning; Liu Feng

プレプリント

J-GLOBAL ID：202202208026349537 整理番号：22P0300277

多分類甲状腺疾患のためのマルチチャネル深部畳込みニューラルネットワーク【JST・京大機械翻訳】

Multi-channel deep convolutional neural networks for multi-classifying thyroid disease

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月05日プレプリントサーバーでの情報更新日： 2022年03月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

甲状腺疾患例は1990年代以来連続的に増加し,甲状腺癌は近年,すべての悪性腫瘍の中で最も急速に上昇している疾患になっている。ほとんどの既存の研究は,甲状腺癌を検出するための深部畳込みニューラルネットワークの適用に焦点を当てた。バイナリ分類タスクに関するそれらの満足な性能にもかかわらず,限られた研究は甲状腺疾患タイプの多クラス分類を調査した。異なる型の甲状腺疾患に対する共存状況の診断は,あまり知られていない。したがって,本研究では,甲状腺疾患のマルチクラス分類タスクに取り組むために,新しいマルチチャネル畳込みニューラルネットワーク(CNN)アーキテクチャを提案した。コンピューター断層撮影から多チャンネルCNNメリットは,全甲状腺に対する包括的診断決定を駆動し,疾患共存環境を強調する。さらに,本研究では,特徴マップの異なるスケールの連結を通してCNNモデルの診断精度を高めるための代替戦略も検討した。ベンチマーク実験は,標準単一チャネルCNNアーキテクチャと比較して,提案したマルチチャネルCNNアーキテクチャの改善性能を実証した。より具体的には,マルチチャネルCNNは0.909の精度,0.944の精度,0.896の再現率,0.994の特異性,および0.917のF1を達成し,それぞれ0.902,0.892,0.909,0.993,0.898を得た。さらに,提案モデルを種々の性グループで評価した。女性群で0.908,男性群で0.901の診断精度に達した。まとめると,結果は,提案したマルチチャネルCNNが,優れた一般化を持ち,臨床設定における計算意思決定支援を提供するために展開する可能性を有することを明らかにした。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

内分泌系の疾患 , 医用画像処理 , 内分泌系の診断

, , , ,

前のページに戻る