今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

胸膜下病变灰度超声图像的自动分割与良恶性分类深度学习模型构建与验证

《BMC Medical Imaging》:A grayscale ultrasound-based two-stage deep learning framework for automatic segmentation and benign-malignant differentiation of subpleural pulmonary lesions

【字体: 大 中 小 】 时间:2026年10月10日 来源:BMC Medical Imaging 3.9

编辑推荐:

  摘要背景肺癌是全球最致命的恶性肿瘤之一。然而,由于操作者的主观性,通过灰度超声准确区分胸膜下恶性病变和良性感染性疾病仍然很困难。我们开发并验证了一个两阶段的深度学习框架,用于实现病变自动分割和良恶性分类。材料与方法在这项回顾性研究中,研究数据来自2023年1月至2024年12月期

  

摘要

背景

肺癌是全球最致命的恶性肿瘤之一。然而,由于操作者的主观性,通过灰度超声准确区分胸膜下恶性病变和良性感染性疾病仍然很困难。我们开发并验证了一个两阶段的深度学习框架,用于实现病变自动分割和良恶性分类。

材料与方法

在这项回顾性研究中,研究数据来自2023年1月至2024年12月期间在中心1就诊的胸膜下病变(SPLs)患者,以及2024年6月至2024年12月期间从中心2和中心3招募的患者(分别作为外部测试集1和2)。采用nnU-Net、U-Net和DeepLabv3+模型进行病变分割,而DenseNet121/201、EfficientNet-B0/B1/B2/B3/B4/B5、ResNet18/50/101、Inception-V3和VGG19模型用于良恶性分类。模型性能通过Dice相似系数和接收者操作特征曲线下面积(AUC)等指标进行评估。比较了6名放射科医生(3名初级医生,3名资深医生)在不同经验水平下单独阅读和借助AI辅助阅读的诊断性能;通过案例-簇自助法(case-cluster bootstrap)并结合Bonferroni校正方法估计了三位阅片者的差异。

结果

共有1059名患者被纳入研究(平均年龄61.32±13.82岁;726名为男性患者)。nnU-Net模型达到了最佳的分割效果(Dice值:调整验证集为0.920[n=257],外部测试集1为0.913[n=108],外部测试集2为0.915[n=94])。在十三种候选分类架构中,DenseNet121在内部调整验证集上表现最佳,因此被选为最终模型;随后在两个外部队列中进行了评估,其AUC分别为0.889(95%置信区间:0.827–0.951)和0.865(95%置信区间:0.790–0.940)。在两个外部测试队列中,初级放射科医生在AI辅助阅读情况下的总体诊断准确性显著更高(Bonferroni校正后的P<0.001),而资深放射科医生的改进在多重性校正后未达到统计显著性。

结论

本研究构建的深度学习模型能够准确实现胸膜下病变超声图像的自动分割和良恶性分类,可作为潜在的辅助诊断工具。

试验注册

不适用。

背景

肺癌是全球最致命的恶性肿瘤之一。然而,由于操作者的主观性,通过灰度超声准确区分胸膜下恶性病变和良性感染性疾病仍然很困难。我们开发并验证了一个两阶段的深度学习框架,用于实现病变自动分割和良恶性分类。

材料与方法

在这项回顾性研究中,研究数据来自2023年1月至2024年12月期间在中心1就诊的胸膜下病变(SPLs)患者,以及2024年6月至2024年12月期间从中心2和中心3招募的患者(分别作为外部测试集1和2)。采用nnU-Net、U-Net和DeepLabv3+模型进行病变分割,而DenseNet121/201、EfficientNet-B0/B1/B2/B3/B4/B5、ResNet18/50/101、Inception-V3和VGG19模型用于良恶性分类。模型性能通过Dice相似系数和接收者操作特征曲线下面积(AUC)等指标进行评估。比较了6名放射科医生(3名初级医生,3名资深医生)在不同经验水平下单独阅读和借助AI辅助阅读的诊断性能;通过案例-簇自助法(case-cluster bootstrap)并结合Bonferroni校正方法估计了三位阅片者的差异。

结果

共有1059名患者被纳入研究(平均年龄61.32±13.82岁;726名为男性患者)。nnU-Net模型达到了最佳的分割效果(Dice值:调整验证集为0.920[n=257],外部测试集1为0.913[n=108],外部测试集2为0.915[n=94])。在十三种候选分类架构中,DenseNet121在内部调整验证集上表现最佳,因此被选为最终模型;随后在两个外部队列中进行了评估,其AUC分别为0.889(95%置信区间:0.827–0.951)和0.865(95%置信区间:0.790–0.940)。在两个外部测试队列中,初级放射科医生在AI辅助阅读情况下的总体诊断准确性显著更高(Bonferroni校正后的P<0.001),而资深放射科医生的改进在多重性校正后未达到统计显著性。

结论

本研究构建的深度学习模型能够准确实现胸膜下病变超声图像的自动分割和良恶性分类,可作为潜在的辅助诊断工具。

试验注册

不适用。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:深度学习|医学影像|超声图像|病变分割|良恶性分类|辅助诊断

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号