基于卷积神经网络在卵巢肿瘤良恶性鉴别诊断中的研究.pdf
《基于卷积神经网络在卵巢肿瘤良恶性鉴别诊断中的研究.pdf》由会员分享,可在线阅读,更多相关《基于卷积神经网络在卵巢肿瘤良恶性鉴别诊断中的研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、杨丽华,医学博士,教授,博士研究生导师,美国约翰霍普金斯大学医学院博士后。云南省万人计划名医,云南省医学学科带头人,昆明市中青年学术和技术带头人,昆明医科大学第二附属医院妇产教研室主任、住培基地妇产专业主任、国家药物临床试验妇产专业主任,妇科副主任主持工作。任中华医学会计划生育分会学组成员、云南省女医师协会女性盆底及妇科内分泌分会主任委员、云南省医学会妇产科分会副主任委员及多个省级学会委员。从事妇产科临床、教学科研工作 20 余年,对妇科常见病和复杂疑难疾病的诊治具有丰富的临床经验,尤其擅长妇科肿瘤、妇科内分泌疾病诊治及妇科微创手术治疗。近 5 年主持和参与国家级、省级、厅级等科研项目 12
2、项,发表论文 50 余篇。基于卷积神经网络在卵巢肿瘤良恶性鉴别诊断中的研究杨志新,赵丽珠,邓玥,杨丽华(昆明医科大学第二附属医院妇科,云南 昆明650101)摘要 目的建立卷积神经网络卵巢肿瘤超声诊断模型,探讨其在卵巢良恶性肿瘤鉴别诊断中的价值。方法收集 2015 年 6 月至 2022 年 9 月于昆明医科大学第二附属医院接受超声检查,并获得细胞学或组织病理证实的卵巢良性、恶性肿瘤超声图像各 200 张,共 400 张卵巢肿瘤超声图像。图像以 13 的比例分为训练集和验证集。基于卷积神经网络构建训练并验证 VGG16、MobileNet-V2 2 个诊断模型,同时选取高年资、低年资 2 名超
3、声医生进行训练集超声图像诊断,以病理结果为金标准,评估 2 个诊断模型和超声医生鉴别卵巢良恶性的效能。结果VGG16 模型诊断卵巢肿瘤良恶性的灵敏度、特异度、准确度分别为 80.67%,79.33%,80.00%;MobileNet-V2 模型诊断卵巢肿瘤良恶性的灵敏度、特异度、准确度分别为 89.33%,93.33%,91.33%;MobileNet-V2 模型诊断效能最优,且 MobileNet-V2、VGG16 模型诊断效能均优于超声医生(P 0.05)。结论卷积神经网络卵巢肿瘤诊断模型具有较好诊断价值,其中 MobileNet-V2 模型能准确地判断卵巢肿瘤超声图像的良恶性。关键词卷积
4、神经网络;卵巢肿瘤;超声诊断中图分类号 R711.75;R737.31 文献标志码 A 文章编号 2095 610X(2023)10 0134 06Differential Diagnosis of Benign and Malignant OvarianTumors Based on Convolutional Neural NetworkYANG Zhixin,ZHAO Lizhu,DENG Yue,YANG Lihua(Dept.of Gynecology,The 2nd Affiliated Hospital of Kunming Medical University,KunmingY
5、unnan 650101,China)Abstract Objective To establish a convolutional neural network model for ultrasound diagnosis ofovarian tumors and explore its value in distinguishing between benign and malignant ovarian tumors.MethodsAtotal of 400 ovarian tumor ultrasound images,including 200 benign and 200 mali
6、gnant tumors,were collected fromJune 2015 to September 2022 at the Second Affiliated Hospital of Kunming Medical University.These images wereconfirmed by cytology or histopathology.The images were divided into a training set and a validation set in a 13收稿日期20230808基金项目国家自然科学基金资助项目(81960469);云南省万人计划名
7、医专项基金资助项目(YNWR-MY-2019-037);昆明医科大学创新团队基金资助项目(CXTD202008);昆明医科大学第二附属医院院内临床基金资助项目(2020ynlc014)作者简介杨志新(1997),女,云南保山人,医学硕士,住院医师,主要从事妇科肿瘤研究工作。通信作者杨丽华,E-mail:昆明医科大学学报2023,44(10):134139JournalofKunmingMedicalUniversityDOI:10.12259/j.issn.2095-610X.S20231027CN531221/Rratio.Two diagnostic models,VGG16 and Mo
8、bileNet-V2 were constructed based on convolutional neural networksfor training and validation.A senior and a junior sonographers were selected to diagnose the ultrasound images in thetraining set.The performance of the two diagnostic models and the ultrasound doctors in distinguishing betweenbenign
9、and malignant ovarian tumors was evaluated using the pathological results as the gold standard.ResultsThesensitivity,specificity and accuracy of VGG16 model in diagnosing the benign and malignant nature of ovariantumors were 80.67%,79.33%and 80.00%respectively.The sensitivity,specificity and accurac
10、y of MobileNet-V2were 89.33%,93.33%and 91.33%respectively.The MobileNet-V2 model had the best diagnostic performance,and both the MobileNet-V2 and VGG16 models had better diagnostic performance than ultrasound doctors(P 0.05).ConclusionThe convolutional neural network ovarian tumor diagnostic model
11、has good diagnostic value,with the MobileNet-V2 model accurately determining the benign or malignant nature of ovarian tumor ultrasoundimages.Key words Convolutional neural network;Ovarian tumors;Ultrasonic diagnosis卵巢癌在女性生殖系统恶性肿瘤中发病率居第 3 位,病死率位列首位1,GLOBOCAN 数据2显示2020 年全球约有 31 万卵巢癌新发病例。由于卵巢癌早期缺乏典型临床
12、特征,且无有效的筛查手段,超过 70%的患者被诊断时已在期或期,预后较差,严重威胁妇女生命健康34。因此发现卵巢癌早期诊断的有效策略成为亟待解决的问题。超声图像因其成本低廉、便捷迅速以及无创侵入等优点广泛运用于临床,2022 年国家卫生健康委员会发布的卵巢癌诊疗指南5指出现阶段超声检查是卵巢癌筛查的首选方法,可明确卵巢有无占位性病变,但高诊断准确率对超声医师的检查能力、临床经验及综合分析能力要求较高。近年来,深度学习作为前沿技术逐渐运用于医学影像学领域,其中卷积神经网络(convolutionalneural network,CNN)的应用最为广泛。CNN 技术可通过计算机辅助诊断系统自动学习
13、提取超声图像特征,检测医师难以发现的深层成像特征,更好地辅助医生诊断疾病,提高诊断效率5。其与肝脏超声、乳腺超声、甲状腺超声图像等结合,协助提高结节良恶性诊断水平68。本研究选取VGG16 与 MobileNet-V2 2 个 CNN 模型与卵巢肿瘤超声图像结合,以提高卵巢肿瘤超声图像鉴别诊断水平,提高卵巢癌早期诊断效率。1资料与方法1.1病例选择与图像收集纳入标准9:细胞学或组织病理证实的卵巢恶性肿瘤、卵巢良性肿瘤患者;可获取疾病负荷状态的超声图像。排除标准9:虽病理证实为符合条件的卵巢病变但在昆明医科大学第二附属医院超声检查时已无疾病负荷;超声图像未存档或超声图像模糊无法辨认、包含无效信息
14、过多。本次研究经昆明医科大学第二附属医院伦理委员会审查批准(伦理批件号审-PJ-2020-100),共收集2015 年 6 月至 2022 年 9 月卵巢肿瘤患者 365 例(良性患者 200 例,恶性患者 165 例),共 400 张卵巢肿瘤超声图像,均取得患者本人或家属知情同意。具体病理类型,见表 1。患者中位年龄为(48.3413.47)岁。超声图像集均来自 Philips-Affiniti 50 彩色多普勒超声诊断仪,探头为 C9-4v 腔内超声探头,探头频率 2242 Hz。采集图像存储为 JPG 格式。图像预处理流程,见图 1。挑选肿瘤清晰的图像,由工作经验 5 a 以上的超声科医
15、生选取肿瘤感兴趣区域。另外,B 超图像上病灶标注等信息,利用 xs表1收集图片病理结果统计表()xsTab.1Statistical tables of pathological results fromcollectedimage()病理结果超声图片例数(n)年龄(岁)良性肿瘤20033.849.15成熟畸胎瘤64子宫内膜异位囊肿57纤维瘤4纤维-卵泡膜细胞瘤1囊腺瘤73炎性病变1恶性肿瘤20054.3210.70浆液性癌68黏液性癌10子宫内膜样腺癌8透明细胞癌22未分类腺癌31上皮内癌2生殖细胞恶性肿瘤8性索-间质恶性肿瘤10转移性肿瘤6交界性肿瘤35合计40048.3413.47第 1
16、0 期杨志新,等基于卷积神经网络在卵巢肿瘤良恶性鉴别诊断中的研究135Matlab 图像处理的方式去除。将图像统一调整为224224 像素大小便于模型训练。随后超声图片数据集以 13 比例分为训练集及验证集,选取100 例超声图片(恶性 50 例,良性 50 例)作为训练集用于模型的训练与建立,余 300 例超声图片(恶性 150 例,良性 150 例)作为验证集用于模型验证。图1B 超图像预处理流程图Fig.1Thepreprocessingofultrasoundimage1.2卷积神经网络模型搭建与训练采用 VGG16 和 MobileNet-V2 构建 CNN 模型,对卵巢超声图像进行
17、分类。VGG 模型作为经典的CNN 网络,可以从 B 超图像中提取肿瘤尺寸、位置、纹理等空间特征信息以实现分类任务。本研究选择 VGG16 模型进行第 1 轮搭建,它包含 5 段卷积,每段卷积有 1 到 3 个卷积层,每段卷积后接 1 个最大池化层来缩小特征值尺寸和增强特征,后接 3 个全连接层,前 2 层均有 4096 个通道,第 3 层共 1000 个通道,对应 1000 个标签类别,最后 1 层为 Softmax 层,见图 2。MobileNet-V2 模型不仅借鉴 VGG 结构,堆叠卷积层以提高准确度,另外引入线性瓶颈结构和反向残差结构,实现模型参数少、计算速度快的优点,且适用于轻量级
18、设备的应用部署。本研究应用的 MobileNet-V2 包含初始的 32 个卷积核的全卷积层,后接 17 个反向残差瓶颈模块,然后是 2 个全卷积层,2 个全卷积层之间插入 1 个平均池化层以实现分类任务,见图 3。本次实验使用个人计算机训练神经网络。使用python 3.7,CUDA 10.1 及包括Numpy、Pytorch、Torchversion 等在内的多个 Python 组件,分别对VGG16 网络和 MobileNet-V2 网络进行参数调整,学习率设置为 0.001,Batchsize 为 32,epoch 为200 次。损 失 值 代 表 训 练 数 据 输 入 VGG16
19、及MobileNet-V2 网络后,预测值和真实值之间的误差;准确率反映模型预测值与真实值之间的一致性。损失值越小,准确率越高则模型诊断效能更强。在每次训练结束时,将每次训练后的训练集损失函数值与训练集准确率进行记录保存,然后根据数据创建折线图表来直观地反应结果。使用CUDA 加速,对数据集进行训练与前向推理。经过 200 周期的训练后,模型保存为 CSV 文件。最后用验证集来测试训练集得到的模型,以此作为评价诊断模型的性能指标。输入图像Block 164224224Block 45122828Block 55121414Block 2128112112Block 32565656Maxpoo
20、lMaxpoolMaxpoolMaxpoolMaxpoolConv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积Conv 卷积FC 全连接层(4096)FC 全连接层(4096)FC 全连接层(1000)soft-max分类器输出良性肿瘤恶性肿瘤图2VGG16 模型Fig.2ThestructureofVGG16136昆明医科大学学报第 44 卷1.3比较 CNNs 卵巢癌诊断模型和超声医师诊断超声图像准确率选择本院高年资和低年资 2 名超声科医生,其中高年资医师的选择标准为取得中
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 卵巢 肿瘤 恶性 鉴别 诊断 中的 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。