基于深度学习的甲状腺结节纹理诊断模型研究

# 基于深度学习的甲状腺结节纹理诊断模型研究 ## 1. 引言 在医疗诊断领域，准确区分良性和恶性甲状腺结节至关重要。传统的诊断方法存在一定局限性，而基于深度学习的纹理诊断模型为这一问题提供了新的解决方案。本文将详细介绍一种基于多输入卷积神经网络（Multiinput CNN）的甲状腺结节诊断模型，该模型能够从 MRI 图像中自动提取纹理特征，以实现对甲状腺结节的准确分类。 ## 2. 实验准备与方法 ### 2.1 数据与模型概述 本研究收集了 49 位患者具有病理证实结节的多模态数据，使用多输入 CNN 模型，通过两个独立分支分别学习 T2 加权 MRI 图像和 ADC 图的纹理特征。在训练过程中，采用留一法交叉验证（Leave-one-out cross-validation）对模型进行评估。 ### 2.2 统计分析 对 T2 加权图像和 ADC 图的局部强度变化进行分析，使用 Welch 两样本 t 检验评估良性和恶性组之间的差异。结果如下表所示： | Modality | CI Δmean | t | P | | --- | --- | --- | --- | | T2 | 24% to 21% | 22.28 |.023 | | ADC500 | 5% - 9% | 7.87 | <.001 | | ADC1000 | 26% - 34% | 14.87 | <.001 | | ADC1500 | 4% - 8% | 6.12 | <.001 | 从表中可以看出，不同模态下良性和恶性组之间存在显著差异（P <.05）。同时，通过 CI 的符号可以发现，恶性组在 T2 加权图像中的均值升高，而良性组在 ADC 图中的均值升高。这暗示了 T2 加权图像和 ADC 图使用独立的卷积滤波器可以提高 CAD 系统的学习能力。 ### 2.3 2D 模型诊断准确性评估 #### 2.3.1 训练与评估指标 使用留一法交叉验证评估模型，在训练阶段发现预测准确率在 100 个 epoch 时收敛。采用准确率、灵敏度、特异度和 Dice 系数作为评估指标。 #### 2.3.2 消融研究 通过消融研究测试模型在不同场景和组合下的性能： 1. 使用与图 12.4 结构相似的单输入 CNN。 2. 评估每种模态的性能。 3. 将提出的系统与其他融合和特征工程方法进行比较，包括 T2 和 ADC 预测的概率投票、将 T2 图像和 ADC 图像作为输入通道的单输入 CNN。 实验结果如下表所示： | Input shape | Model | Dice coefficient | Accuracy | Sensitivity | Specificity | | --- | --- | --- | --- | --- | --- | | 2D | Single-input CNN (base-images 1 ADC) | 0.82 | 0.72 | 0.87 | 0.74 | | 2D | Single-input CNN (base-images only) | 0.84 | 0.74 | 0.90 | 0.78 | | 2D | Single-input CNN (ADC only) | 0.82 | 0.70 | 0.90 | 0.76 | | 2D | Two-CNN voting (base-images 1 ADC) | 0.86 | 0.78 | 0.90 | 0.80 | | 2D | Multiinput CNN (proposed 2D method) | 0.88 | 0.82 | 0.91 | 0.82 | | 2D | Hand-crafted features with DT classifier | 0.70 | 0.70 | 0.70 | 0.35 | | 2D | Hand-crafted features with NB classifier |