
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:CystNet-73:一种用于卵巢囊肿分类的新型深度学习网络
《Indian Journal of Gynecologic Oncology》:CystNet-73 a Novel Deep Learning Network for Ovarian Cyst Classification
【字体: 大 中 小 】 时间:2026年10月15日 来源:Indian Journal of Gynecologic Oncology 0.3
编辑推荐:
摘要目的本研究旨在创建一种计算机辅助诊断(CAD)系统,该系统利用支持向量机(SVM)进行图像分类,并利用深度学习(DL)网络进行特征提取。卵巢囊肿是指在卵巢表面或内部形成的充满液体的囊状结构。在印度,卵巢囊肿的患病率在20%至25%之间,而该国0.62:1000的医患比(即
本研究旨在创建一种计算机辅助诊断(CAD)系统,该系统利用支持向量机(SVM)进行图像分类,并利用深度学习(DL)网络进行特征提取。卵巢囊肿是指在卵巢表面或内部形成的充满液体的囊状结构。在印度,卵巢囊肿的患病率在20%至25%之间,而该国0.62:1000的医患比(即每1000人中不到1名医生)使诊断工作更加困难。研究数据集来自一家顶尖的妇产科机构,包含约1319张卵巢囊肿的超声图像(USG)。
使用MATLAB R 2022b的深度学习工具箱,我们创建了一个专门用于卵巢囊肿特征提取的73层深度学习卷积神经网络CystNet-73。然后利用提取的特征对支持向量机(SVM)分类器进行训练。
当SVM分类器与CystNet-73网络结合使用时,取得了令人鼓舞的结果,验证准确率为93.16%,高于ResNet18、Xception、ShuffleNet和EfficientNetB0。
该系统将卵巢囊肿分为五种不同类型分类的准确率可与放射科医生和妇产科医生的专业水平相媲美。妇产科医生和放射科医生可能会发现所提出的这种CAD系统是一种有用的诊断工具。它还可以作为学习放射学和妇产科学的学生教学工具,协助医生开展工作,并帮助他们识别各种卵巢囊肿形式的超声图像差异。
本研究旨在创建一种计算机辅助诊断(CAD)系统,该系统利用支持向量机(SVM)进行图像分类,并利用深度学习(DL)网络进行特征提取。卵巢囊肿是指在卵巢表面或内部形成的充满液体的囊状结构。在印度,卵巢囊肿的患病率在20%至25%之间,而该国0.62:1000的医患比(即每1000人中不到1名医生)使诊断工作更加困难。研究数据集来自一家顶尖的妇产科机构,包含约1319张卵巢囊肿的超声图像(USG)。
使用MATLAB R 2022b的深度学习工具箱,我们创建了一个专门用于卵巢囊肿特征提取的73层深度学习卷积神经网络CystNet-73。然后利用提取的特征对支持向量机(SVM)分类器进行训练。
当SVM分类器与CystNet-73网络结合使用时,取得了令人鼓舞的结果,验证准确率为93.16%,高于ResNet18、Xception、ShuffleNet和EfficientNetB0。
该系统将卵巢囊肿分为五种不同类型分类的准确率可与放射科医生和妇产科医生的专业水平相媲美。妇产科医生和放射科医生可能会发现所提出的这种CAD系统是一种有用的诊断工具。它还可以作为学习放射学和妇产科学的学生教学工具,协助医生开展工作,并帮助他们识别各种卵巢囊肿形式的超声图像差异。