« Forschungslandschaft: Projekte

Die Klassifizierung von Schilddrüsenknoten mit Hilfe der Ultraschallbildgebung erfolgt nach den Richtlinien des Thyroid Imaging Reporting and Data System (TIRADS), die Knoten anhand von visuellen und strukturellen Merkmalen klassifizieren. Dazu gehören Zusammensetzung, Form, Größe, Echogenität, Verkalkungen, Ränder und Vaskularität. Diese Arbeit zielt darauf ab, die Subjektivität im derzeitigen Diagnoseverfahren zu verringern, indem geometrische und morphologische (G-M) Merkmale verwendet werden, die die visuellen Merkmale von Schilddrüsenknoten darstellen, um Ärzten eine Entscheidungshilfe zu bieten. Insgesamt wurden 27 G-M-Merkmale aus Bildern extrahiert, die aus einer frei zugänglichen Datenbank mit US-Schilddrüsenknotenbildern stammen. Aus diesem globalen Merkmalsatz wurden 11 signifikante Merkmale in Übereinstimmung mit TIRADS ausgewählt. Jedes Merkmal wurde mit einem Label versehen (0 = gutartig und 1 = bösartig), und die Leistung der ausgewählten Merkmale wurde mit maschinellem Lernen (ML) bewertet. Die G-M-Merkmale führten zusammen mit ML zu einer Klassifizierung von Schilddrüsenknoten mit hoher Genauigkeit, Sensitivität und Spezifität. Die hier erzielten Ergebnisse wurden mit den modernsten Methoden verglichen und schneiden im Vergleich sehr gut ab. Darüber hinaus kann diese Methode als computergestütztes Diagnosesystem (CAD) für Ärzte dienen, indem sie ihnen eine Validierung der visuellen TIRADS-Merkmale bietet, die für die Klassifizierung von Schilddrüsenknoten in US-Aufnahmen verwendet werden.
Dieser Text wurde mit DeepL übersetzt am 26.02.2026