Die weiblichen Eierstöcke können Zysten entwickeln, die Flüssigkeit enthalten. Diese Zysten können frühzeitig durch Ultraschallbilder identifiziert werden. Dabei werden adaptive Deep-Learning-Methoden und ein Optimierungsalgorithmus eingesetzt, um die Ovarialzysten zu klassifizieren. Zu Beginn werden die Bilder durch Anwendung eines geführten trilateralen Filters (GTF) präprozessiert, um vorhandenes Rauschen zu eliminieren. Anschließend werden die Zysten basierend auf ihrer Größe segmentiert. Durch die Verwendung eines Adaptive Convolutional Neural Network (AdaResU-Net) kann vorhergesagt werden, ob die Zysten gut- oder bösartig sind. Um die optimale Genauigkeit des AdaResU-Net zu erreichen, wird der Wild Horse Optimizer (WHO) eingesetzt, um Hyperparameter wie Lernrate, Batch-Größe und Epochenanzahl zu feinabstimmen. Der Optimierungsalgorithmus berücksichtigt zwei Metriken, nämlich den Dice Loss Coefficient (DLC) und die gewichtete Cross-Entropy (WCE), um die Segmentierungsausgabe ohne Verlust zu bewerten. Diese Methode hat verschiedene Zystentypen mit einer beeindruckenden Genauigkeitsrate von 98,87% erfolgreich klassifiziert.
Die Verwendung des Adaptive Convolutional Neural Network (AdaResU-net) repräsentiert eine anspruchsvolle Anwendung von Deep Learning, die speziell für die medizinische Bildsegmentierung entwickelt wurde. Diese Netzwerkarchitektur passt sich an die Komplexität und Variabilität von Ovarialzystenbildern an und verbessert die Segmentierungsgenauigkeit. Die Integration des Wild Horse Optimization (WHO) Algorithmus zur Feinabstimmung von Hyperparametern ist neu im Bereich der medizinischen Bildanalyse. Diese Optimierungstechnik trägt dazu bei, das Segmentierungsmodell optimal anzupassen und dadurch die Robustheit und Leistungsfähigkeit zu verbessern.
Durch die Fokussierung auf die Detektion und Klassifizierung von Ovarialzysten (gutartig vs. bösartig) wird ein wichtiges Bedürfnis im Bereich der Frauengesundheit adressiert. Die frühzeitige Erkennung durch präzise Segmentierung kann die Patientenergebnisse erheblich verbessern, indem sie rechtzeitige medizinische Eingriffe ermöglicht. Die Innovation dieser Arbeit liegt in der Integration moderner künstlicher Intelligenztechniken, die speziell für die frühzeitige Krankheitserkennung durch Deep Learning-basierte Segmentierungsalgorithmen entwickelt wurden.
Hintergrund und ausführliche Erklärung: Ovarialzysten können, obwohl sie oft asymptomatisch sind, zu schwerwiegenden Gesundheitskomplikationen wie Eierstocktorsion, Unfruchtbarkeit und Eierstockkrebs führen. Die Früherkennung und genaue Charakterisierung sind entscheidend für eine rechtzeitige Behandlung und die Verhinderung von negativen Ergebnissen. Die Ultraschalluntersuchung ist aufgrund ihrer Nicht-Invasivität, Echtzeitfähigkeit und fehlenden ionisierenden Strahlung die primäre Bildgebungsmethode. Die Interpretation von Ultraschallbildern von Ovarialzysten birgt jedoch Herausforderungen wie schwache Kontraste, Speckle-Rauschen und unscharfe Grenzen. Um diesen Herausforderungen zu begegnen, schlägt diese Studie eine fortschrittliche Deep-Learning-basierte Segmentierungstechnik vor. Dabei wird ein geführter trilateraler Filter (GTF) im Preprocessing verwendet, um das Rauschen zu reduzieren und gleichzeitig die Kanteninformationen für klarere Bilder zu erhalten. Das Adaptive Convolutional Neural Network (AdaResU-net) passt sich an die Variabilität der Zystenbilder an und segmentiert und klassifiziert Zysten als gut- oder bösartig, indem es gelernte Merkmale verwendet. Der Wild Horse Optimization (WHO) Algorithmus optimiert die Hyperparameter des Netzwerks, wie Batch-Größe, Lernrate und Epochenanzahl, um die Segmentierungsgenauigkeit über verschiedene Zystentypen zu maximieren. Darüber hinaus verbessert ein Pyramidal Dilated Convolutional (PDC) Network die diagnostische Leistung, indem es Ovarialzystentypen klassifiziert und so die klinische Entscheidungsfindung über die reine Segmentierung hinaus verbessert.