获取途径

作者

王学成 封丽 刘蔚 杨珊 刘慧 张广英

作者单位

山东第一医科大学(山东省医学科学院)研究生部 山东第一医科大学第一附属医院(山东省千佛山医院)超声医学科山东省医药卫生腹部医学影像学重点实验室

刊名

医学影像学杂志

年份

2025

卷号

第9期

ISSN

1006-9011

关键词

超声检查 Res-ECA-UNet++模型 语义分割 深度学习 卵巢肿瘤

分类号

R445.1;R737.3

摘要

目的 基于UNet++、残差模块以及高效通道注意力机制模型构建Res-ECA-UNet++模型，并评估该模型在卵巢肿瘤超声声像图语义分割中的性能。方法 纳入OT 患者276 例449 幅超声声像图、卵巢正常者75 例90 幅超声声像图，按7∶3 随机分为训练集与验证集，采用OpenCV 软件通过数据增强将训练集377 幅超声声像图增强至2 206 幅，验证集162 幅超声声像图保持原始图像的像素分布。基于UNet++框架，结合ResNet-34 模块和ECA模块构建Res-ECA-UNet++模型。采用准确率、平均交并比及Dice 系数评估Res-ECA-UNet++模型的语义分割性能，通过计算灵敏度、特异度、F1 分数及ROC 曲线的AUC 评估Res-ECA-UNet++模型对OT 亚型的诊断效能。结果 Res-ECA-UNet++模型构建成功。Res-ECA-UNet++与手工分割在病灶边缘部分具有很高的一致性。Res-ECA-UNet++模型对OT 超声声像图的特征提取聚焦于病变核心区域，该模型对病灶的解剖学范围及实性成分显示出与超声医师诊断策略一致的特征聚焦特性。Res-EC...更多

目的 基于UNet++、残差模块以及高效通道注意力机制模型构建Res-ECA-UNet++模型，并评估该模型在卵巢肿瘤超声声像图语义分割中的性能。方法 纳入OT 患者276 例449 幅超声声像图、卵巢正常者75 例90 幅超声声像图，按7∶3 随机分为训练集与验证集，采用OpenCV 软件通过数据增强将训练集377 幅超声声像图增强至2 206 幅，验证集162 幅超声声像图保持原始图像的像素分布。基于UNet++框架，结合ResNet-34 模块和ECA模块构建Res-ECA-UNet++模型。采用准确率、平均交并比及Dice 系数评估Res-ECA-UNet++模型的语义分割性能，通过计算灵敏度、特异度、F1 分数及ROC 曲线的AUC 评估Res-ECA-UNet++模型对OT 亚型的诊断效能。结果 Res-ECA-UNet++模型构建成功。Res-ECA-UNet++与手工分割在病灶边缘部分具有很高的一致性。Res-ECA-UNet++模型对OT 超声声像图的特征提取聚焦于病变核心区域，该模型对病灶的解剖学范围及实性成分显示出与超声医师诊断策略一致的特征聚焦特性。Res-ECA-UNet++模型在测试集中准确率为93.46%，平均交并比为91.54%，Dice 系数为89.52%，较UNet 模型分别提升6.17%、8.30%及5.62%。Res-ECA-UNet++模型在子宫内膜异位囊肿、成熟畸胎瘤及正常卵巢中达到最优分类性能，其95% CI 上界均＞95%。Res-ECA-UNet++模型在OT 亚型诊断中表现最佳，其AUC 达到0.95。结论 本研究成功构建了Res-ECA-UNet++模型；该模型可对OT 超声声像图进行多尺度精准分割及病理亚型鉴别。收起

文献类型

期刊

浏览量

10