多通道深度卷积神经网络用于甲状腺疾病多分类
图像与视频处理
2022-03-09 v1 计算机视觉与模式识别
摘要
自 1990 年代以来，甲状腺疾病病例持续增加，且甲状腺癌近年来已成为所有恶性肿瘤中上升最迅速的疾病。大多数现有研究集中于应用深度卷积神经网络检测甲状腺癌。尽管它们在二分类任务上表现令人满意，但探索甲状腺疾病类型多分类的研究有限；对于不同甲状腺疾病共存情况的诊断则知之更少。因此，本研究提出一种新颖的多通道卷积神经网络（CNN）架构来解决甲状腺疾病的多分类任务。该多通道 CNN 利用计算机断层扫描的优势，为整个甲状腺驱动综合诊断决策，强调疾病共存情形。此外，本研究还考察了通过拼接不同尺度特征图来增强 CNN 模型诊断精度的替代策略。基准实验表明，所提出的多通道 CNN 架构相比标准单通道 CNN 架构性能更优。更具体地，多通道 CNN 达到了 0.909 的准确率、0.944 的精确率、0.896 的召回率、0.994 的特异度和 0.917 的 F1，而单通道 CNN 分别为 0.902、0.892、0.909、0.993、0.898。此外，所提模型在不同性别组中进行了评估；其在女性组达到 0.908 的诊断准确率，男性组为 0.901。总体而言，结果突显所提多通道 CNN 具有优异的泛化能力，并有望部署于临床环境提供计算决策支持。
引用
@article{arxiv.2203.03627,
title = {Multi-channel deep convolutional neural networks for multi-classifying thyroid disease},
author = {Xinyu Zhang and Vincent CS. Lee and Jia Rong and James C. Lee and Jiangning Song and Feng Liu},
journal= {arXiv preprint arXiv:2203.03627},
year = {2022}
}