基于U-Det模型对肺内小结节CT图像良恶性鉴别的价值分析

作者：张靖

来源：中国医疗设备, 2023, 38(09): 36-52.

• 肺内小结节
• 计算机断层扫描
• 卷积神经网络
• 加权双向特征网络

目的 探讨U-Det模型对肺内小结节CT图像良恶性鉴别的价值。方法 选取2021年6月至2022年1月于我院经病理检查的150例肺内小结节患者样本图片，留取恶性样本（n=104）及非恶性样本（n=46），扩增至各800张。按照7∶3比例随机分为训练集样本（n=1120）和验证集样本（n=480）。根据训练样本对预训练的卷积神经网络架构ResNet50进行训练，建立卷积神经网络计算机辅助系统，测试筛选肺内小结节恶性病变方面的能力；同时选取LUNA16的1400张病理图片作为测试集，测试U-Det模型的诊断效能。结果 U-Det模型中训练样本的平均损失率为0.126%±0.046%，验证样本的平均损失率为0.135%±0.053%。U-Det模型中训练样本的平均准确度为88.42%±4.21%，验证样本的平均准确度为89.01%±4.09%。受试者工作特征曲线显示，U-Det、U-Net和ResNet50模型预测准确度递减（P<0.05）;LUNA16测试集下U-Det模型的诊断准确度、敏感度、特异性、阳性预测值、阴性预测值最高，U-Net次之，ResNet50最低。结论 U-Det模型对肺内小结节CT图像良恶性鉴别价值较高，可将其用于肺内小结节良恶性诊断。

• 出版日期2023
• 单位中国中医科学院西苑医院