基于卷积神经网络的超声影像肝癌自动分类

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。

一种双输入稀疏连接的肝细胞癌和肝内胆管细胞癌分类网络

由于通过常见的影像学特征难以区分肝细胞癌和肝内胆管癌,且对医生的专业性依赖程度较高,因此本文提出了一种双输入稀疏连接的肝细胞癌和肝内胆管细胞分类网络(DS2-Net).首先,采用了可以同时学习增强CT图像中静脉期和动脉期特征的双输入结构;其次,网络首层为主干模块,可以有效的提升特征表达能力,提高分类的准确率;此外,网络采用的稀疏连接方式可以在不降低网络性能的基础上提升计算速度并减少参数量.最后,在171例肝内胆管癌和146例肝细胞癌的实验结果中,该方法的分类准确率达到93.68%,AUC面积达到0.9875.实验结果证明了本文提出的网络模型能够实现肝癌精准分类,有望应用于辅助临床医师诊断治疗.