Biblioteca93.141 documentos en línea

Artículo

Joint Detection of Tap and CEA Based on Deep Learning Medical Image Segmentation: Risk Prediction of Thyroid CancerDetección Conjunta de Tap y CEA Basada en Deep Learning Segmentación de Imágenes Médicas: Predicción de riesgo de cáncer de tiroides

Resumen

En los últimos años, la incidencia de los nódulos tiroideos ha mostrado una tendencia creciente año tras año y se ha convertido en una de las enfermedades importantes que ponen en peligro la salud humana. Las imágenes médicas de ultrasonido basadas en aprendizaje profundo se utilizan ampliamente en el diagnóstico clínico debido a su bajo coste, ausencia de radiación y bajo coste. El uso de la tecnología de procesamiento de imágenes para segmentar con precisión el área del nódulo proporciona información auxiliar importante para el diagnóstico del médico, que es de gran valor para guiar el tratamiento clínico. El propósito de este artículo es explorar el valor de aplicación de la detección combinada de la glicoproteína de cadena de azúcar anormal (TAP) y el antígeno carcinoembrionario (CEA) en la estimación del riesgo de cáncer de tiroides en pacientes con nódulos tiroideos de tipo IV y superior basado en imágenes médicas de aprendizaje profundo. En este trabajo, las imágenes de ultrasonido de tiroides se utilizan como contenido de investigación, y el método de conjunto de nivel de contorno activo se utiliza como base de segmentación, y se propone un algoritmo de segmentación para nódulos tiroideos. Este trabajo toma imágenes de ultrasonido de tiroides como contenido de investigación, utiliza el método de conjunto de niveles de contorno activo como base de segmentación, y propone un algoritmo de segmentación de imágenes Fast-SegNet basado en aprendizaje profundo, que amplía el modelo de red que se utilizó principalmente para la segmentación de imágenes médicas de tiroides a más escenarios de la tarea de segmentación. De enero de 2019 a octubre de 2020, se seleccionaron 400 pacientes con nódulos tiroideos de tipo IV y superior para el examen físico y la detección en el Centro de Gestión de la Salud de nuestro hospital, y se diagnosticaron como cáncer de tiroides mediante el examen patológico de los nódulos tiroideos bajo posicionamiento B-ultrasonido. Se comparan las tasas de detección de cáncer de tiroides en pacientes con nódulos tiroideos de tipo IV y superior; se detectan los niveles séricos de TAP y CEA; se utiliza PT-PCR para detectar la expresión de TTF-1, PTEN y NIS; se comparan la detección, el diagnóstico fallido, la tasa de diagnóstico erróneo y la eficacia diagnóstica de los tres métodos de detección. Este artículo utiliza la región del nódulo tiroideo segmentada en base a imágenes médicas de aprendizaje profundo y compara experimentos con el modelo CV, el modelo LBF y el modelo DRLSE. Los resultados experimentales muestran que la tasa de superposición de segmentación de este método es tan alta como 98,4%, lo que indica que el algoritmo propuesto en este artículo puede extraer con mayor precisión el área del nódulo tiroideo.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento