US-SFNet: A Spatial-Frequency Domain-based Multi-branch Network for Cervical Lymph Node Lesions Diagnoses in Ultrasound Images

要約

超音波画像診断は、頸部リンパ節病変を診断するための極めて重要なツールとして機能します。
しかし、これらの画像の診断は主に医療従事者の専門知識に依存しており、そのプロセスが誤診の影響を受けやすくなっています。
急速に発展している深層学習により、さまざまな超音波画像の診断は大幅に改善されましたが、頸部リンパ節に関する研究には依然として顕著なギャップが残っています。
私たちの研究の目的は、深層学習モデルを活用して頸部リンパ節病変を正確に診断することです。
この目的を達成するために、まず、正常なリンパ節、良性リンパ節病変、悪性原発リンパ節病変、および悪性転移性リンパ節病変を含む 3,392 枚の画像を収集しました。
超音波画像がさまざまな身体組織にわたる音波の反射と散乱によって生成されることを考慮して、私たちは Conv-FFT ブロックを提案しました。
畳み込み演算と高速フーリエ変換を統合して、画像をより巧妙にモデル化します。
この基盤に基づいて、私たちは US-SFNet という名前の新しいアーキテクチャを設計しました。
このアーキテクチャは、空間領域から超音波画像の差異を識別するだけでなく、周波数領域のさまざまな病変にわたる微細構造の変化も巧みに捕捉します。
US-SFNet の可能性を確認するために、5 段階の相互検証を通じて 12 の一般的なアーキテクチャに対して US-SFNet のベンチマークを実施しました。
結果は、US-SFNet が SOTA であり、それぞれ 92.89% の精度、90.46% の精度、89.95% の感度、および 97.49% の特異性を達成できることを示しています。

要約(オリジナル)

Ultrasound imaging serves as a pivotal tool for diagnosing cervical lymph node lesions. However, the diagnoses of these images largely hinge on the expertise of medical practitioners, rendering the process susceptible to misdiagnoses. Although rapidly developing deep learning has substantially improved the diagnoses of diverse ultrasound images, there remains a conspicuous research gap concerning cervical lymph nodes. The objective of our work is to accurately diagnose cervical lymph node lesions by leveraging a deep learning model. To this end, we first collected 3392 images containing normal lymph nodes, benign lymph node lesions, malignant primary lymph node lesions, and malignant metastatic lymph node lesions. Given that ultrasound images are generated by the reflection and scattering of sound waves across varied bodily tissues, we proposed the Conv-FFT Block. It integrates convolutional operations with the fast Fourier transform to more astutely model the images. Building upon this foundation, we designed a novel architecture, named US-SFNet. This architecture not only discerns variances in ultrasound images from the spatial domain but also adeptly captures microstructural alterations across various lesions in the frequency domain. To ascertain the potential of US-SFNet, we benchmarked it against 12 popular architectures through five-fold cross-validation. The results show that US-SFNet is SOTA and can achieve 92.89% accuracy, 90.46% precision, 89.95% sensitivity and 97.49% specificity, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google