CT 대장촬영에서 폴립 탐지를 위한 3D-DenseNet, 3D-ResNet 및 3D-VGG 모델의 비교 성능

3차원(3D) 합성곱 신경망(CNN)은 원래의 볼륨 입력 형태로 체적 의료 이미징 데이터를 처리할 수 있습니다. 그러나 이러한 모델의 의료 이미징, 특히 CT 대장촬영(CTC)에서의 비교 성능에 대한 정보는 거의 없습니다. 우리는 CT 대장촬영에서 폴립의 컴퓨터 보조 탐지(CADe)에서 거짓 긍정 탐지(FPs)를 줄이는 데 있어 3D 조밀 연결 CNN(3D-DenseNet)과 인기 있는 3D 잔여 CNN(3D-ResNet) 및 3D 비주얼 기하학 그룹 CNN(3D-VGG)의 성능을 비교했습니다. VGG는 이들 세 모델 중 가장 초기의 CNN 설계입니다. ResNet은 의료 이미징에서 이미지 분류를 위한 딥 CNN 구축의 사실상 표준 모델로 널리 사용되었습니다. DenseNet은 이들 모델 중 가장 최근 것이며 ResNet 및 VGG에 비해 정보 흐름을 개선하고 네트워크 매개변수의 수를 줄입니다. 평가를 위해 203명의 환자에서 403개의 CTC 데이터 세트를 사용했습니다. CNN의 분류 성능은 5배 교차 검증을 통해 평가되었으며, 수신자 조작 특성 곡선(ROC 곡선) 아래 면적(AUC)이 성과 지표로 사용되었습니다. 각 훈련 폴드는 실제폴립 샘플의 데이터 증강을 사용하여 균형을 맞췄습니다. 우리의 초기 결과는 3D-DenseNet의 AUC 값(0.951)이 참고 모델들보다 통계적으로 유의하게 높았음을 보여주었으며(P < 0.005), 3D-DenseNet이 CTC의 CADe에서 FPs를 줄이는 데 다른 모델들보다 상당히 우수한 성능을 발휘할 잠재력이 있음을 나타냅니다. 이 향상은 가장 작은 폴립에 대해 가장 높았습니다.