Анализ ультразвуковых изображений узлов щитовидной железы с помощью метода извлечения характеристик изображения

Наиболее частым случаем при анализе узлов левой щитовидной железы является наличие узлов щитовидной железы, которые никогда не были видны ранее. Однако, поскольку рентгеновская компьютерная томография (КТ) используется чаще для диагностики заболеваний щитовидной железы, обработка изображений нечасто применяется к стандартному машинному обучению из-за высокой плотности и артефактов, обнаруженных на КТ-снимках щитовидной железы. В итоговом разделе статьи предлагается сквозной подход на основе сверточной нейронной сети (CNN) для автоматического обнаружения и классификации различных типов узлов щитовидной железы. Эта рекомендуемая модель включает улучшенную сеть сегментации, которая эффективно разделяет области, в которых может быть обнаружен каждый узел, и метод обработки изображений, который оптимизирует эти области. Например, точность 98% была получена при точной категоризации случаев заболеваний путем изучения аберрантных модулей рентгеновских снимков. Согласно нашему исследованию, CNN может точно определять различные степени тяжести, вызванные узлами, расположенными в различных частях тела, тем самым предоставляя средство, с помощью которого эта процедура может выполняться автоматически, не требуя постоянного вмешательства человека. В целом, это исследование демонстрирует, как модели глубокого обучения могут использоваться для автоматического выявления и диагностики узлов щитовидной железы с использованием КТ-визуализации, что может повысить точность и эффективность диагностики заболеваний щитовидной железы.