Resumen

Con el desarrollo de la tomografía computarizada (TC), la TC con contraste se utiliza ampliamente en el diagnóstico de los nódulos tiroideos. Sin embargo, debido a los artefactos y a la alta complejidad de las imágenes de TC de tiroides, el aprendizaje automático tradicional tiene dificultades para detectar los nódulos tiroideos en la TC con contraste. Se desarrolla un algoritmo de detección totalmente automatizado para nódulos tiroideos utilizando imágenes de TC con contraste. Se emplea una arquitectura U-Net modificada de redes totalmente convolucionales para segmentar la región de interés de la tiroides (ROI), y se propone una fusión de redes neuronales convolucionales (CNN-Fs) para detectar nódulos tiroideos benignos y malignos a partir de las imágenes ROI y las imágenes originales de TC con contraste. Los resultados experimentales demuestran que el método propuesto de cascada y fusión de redes neuronales convolucionales (CNNs) multitarea es eficiente en el diagnóstico de enfermedades tiroideas con imágenes de TC mejoradas con contraste y tiene un rendimiento superior en comparación con otros métodos de CNN.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:imagen ct mejorada, nódulo tiroideo, red neuronal convolucional, contraste, región de interés, diagnóstico de tiroides, complejidad de tiroides, imagen ct de tiroides, algoritmo de detección automatizado, métodos de multitarea
• Keywords:enhanced ct image, thyroid nodule, convolutional neural network, contrast, region of interest, diagnosis of thyroid, complexity of thyroid, thyroid ct image, automated detection algorithm, methods of multitask