Resumen

El objetivo de este estudio era dilucidar la relación entre el número de imágenes de tomografía computarizada (TC), incluidos los datos relativos a la precisión de los modelos y la mejora del contraste para clasificar las imágenes. Se incluyeron 1539 pacientes que se sometieron a imágenes de TC con o sin contraste, y a continuación se dividió el conjunto de datos de imágenes de TC para crear modelos de clasificación en 10 clases para cerebro, cuello, tórax, abdomen y pelvis con imágenes con o sin contraste. El número de imágenes preparadas en cada clase fue de 100, 500, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 9000 y 10.000. En consecuencia, los nombres de los conjuntos de datos se definieron como 0,1K, 0,5K, 1K, 2K, 3K, 4K, 5K, 6K, 7K, 8K, 9K y 10K, respectivamente. Posteriormente creamos y evaluamos los modelos y comparamos la arquitectura de red neuronal convolucional (CNN) entre AlexNet y GoogLeNet. El tiempo necesario para entrenar los modelos de AlexNet fue menor que el de GoogLeNet. La mejor precisión global para la clasificación de 10 clases fue de 0,721 con el conjunto de datos 10K de GoogLeNet. Además, la mejor precisión global para la clasificación de la posición del corte sin medio de contraste fue de 0,862 con el conjunto de datos 2K de AlexNet.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:K, mejor precisión global, AlexNet, GoogLeNet, imágenes, conjunto de datos K, conjunto de datos de imágenes de TC, red neuronal convolucional, imágenes de TC sin contraste, clases
• Keywords:K, best overall accuracy, AlexNet, GoogLeNet, images, K dataset, CT imaging dataset, convolutional neural network, noncontrast CT imaging, classes