深度学习区分小型肾脏群体在多相CT上

卷积神经网络（CNN）的深度学习方法，可以通过在3月份发表的文章上发表的一篇文章来支持在动态CT图像中的动态CT图像中的小固体肾肿块的评估美国人杂志杂志（ajr）。

2012年至2016年间，日本冈山大学的研究人员研究了180​​7年，从168种病理诊断的小（≤4厘米）固体肾脏群体，具有四个CT阶段 - 未加入，皮质体，肾外肿和排泄 - 在159名患者中。

群众被归类为恶性（n = 136）或使用5点刻度的良性（n = 32），然后将该数据集随机分为五个子集。

由于领导AJR作者Takashi Tanaka解释说，“四个被用于增强和监督培训（48,832张图片），并且用于测试（281张图片）。”

利用Inception-V3架构CNN模型，在六种不同的CNN模型中评估了输出数据的最佳截止值的恶性和精度的AUC。

在恶性和恶性之间没有显着尺寸差异良性病变Tanaka的团队确实发现皮质体型阶段的AUC值高于其他阶段（皮质体髓质vs排泄，P = 0.022）。

另外，在皮质体型相位图像中实现了最高精度（88％）。

多变量分析显示CNN模型皮质体型相位是恶性肿瘤的重要预测因素，“与其他CNN模型相比，年龄，性别和病变规模”相比，“Tanaka总结道。

---

---