摘要

目的：基于数据驱动的医学图像深度学习算法面临数据集稀缺、标注困难以及模态单一等挑战。本文提出了一种适用于AI辅助诊断的甲状腺超声-超声造影多模态多任务数据集，旨在推动深度学习算法在甲状腺结节疾病诊断中的应用与发展。方法：本文回顾性收集2016年6月—2023年8月在中国医科大学附属盛京医院检查的患者数据。数据集包括498例超声检查怀疑甲状腺癌的可疑结节，包含超声图像序列和对应的超声造影。通过结合超声图像与造影视频，数据集整合了甲状腺结节的多模态信息，并由经验丰富的医生标注了良恶性分类和结节区域分割标签，以支持结节的良恶性分类与分割。结果：在该数据集上，我们训练并测试了甲状腺结节良恶性诊断模型和分割模型，并比较了单模态与多模态数据集下的表现。使用多模态数据集的智能算法诊断结节良恶性的准确率超过82%，分割精度Dice系数超过79%。结论：研究结果证明，提出的多模态数据集对开发基于AI的甲状腺结节诊断与分割模型的发展具有重要意义，可有效辅助医生提升诊断的效率。

关键词