典型文献
基于神经网络的直肠癌CT图像自动分割和分类
文献摘要：
目的 为准确地定位直肠癌肿瘤位置以及对直肠癌进行术前T分期.方法 首先分别采用FCN-8s、U-Net和SegNet模型对直肠癌CT图像进行分割以定位肿瘤位置.在分割基础上分别使用简单CNN、AlexNet和InceptionV3模型对分割后的CT图像进行识别并以此确定直肠癌T分期.选用240名患者的直肠癌CT图像进行训练和测试,分割结果评价指标采用Dice系数、精确率和召回率,分类结果评价指标采用准确率、特异性和灵敏度.结果 分割中U-Net模型分割效果最佳且其分割肿瘤的平均Dice系数、精确率和召回率分别为84.6％、84.1％和85.2％.分割后使用InceptionV3模型分类效果最好且其分类直肠癌T2和T3期图像的准确率、特异性和灵敏度分别为95.4％、94.3％和96.1％.实验结果表明U-Net模型和InceptionV3模型可以获得更好的分割结果以及更高的分类准确率.结论 神经网络模型在直肠癌CT图像上进行肿瘤分割和术前T分期都能达到很好的效果,可作为临床辅助诊断工具帮助医生制定直肠癌临床治疗方案.
文献关键词：
CT图像;神经网络;图像分割;图像分类;术前T分期;直肠癌
中图分类号：
作者姓名：
肖波;朱旭东;魏华江;魏波;陈同生
作者机构：
华南师范大学生物光子学研究院教育部激光生命科学重点实验室,广东 广州 510631;华南师范大学生物光子学研究院广东省激光生命科学重点实验室,广东 广州 510631;中山大学第三附属医院 胃肠外科,广东 广州 510630;华南师大(清远)科技创新研究院有限公司,广东 清远 511517
文献出处：
引用格式：
[1]肖波;朱旭东;魏华江;魏波;陈同生-.基于神经网络的直肠癌CT图像自动分割和分类)[J].中国医疗设备,2022(02):60-64
A类：
B类：
直肠癌,图像自动分割,癌肿,肿瘤位置,FCN,8s,SegNet,以定,AlexNet,InceptionV3,结果评价,Dice,精确率,召回率,模型分割,分割效果,模型分类,分类效果,分类准确率,肿瘤分割,临床辅助,辅助诊断,诊断工具,临床治疗方案,图像分割,图像分类
AB值：
0.300261
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
