Video Experimental Relacionado
Updated: May 5, 2026
Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
Mejorar las clasificaciones benignas y malignas en mamografía con aprendizaje profundo estratificado por ROI
Kenji Yoshitsugu1, Kazumasa Kishimoto2, Tadamasa Takemura1
1Graduate School of Information Science, University of Hyogo, 7-1-28 Minatojima Minamimachi, Chuo-ku, Kobe-shi 650-0047, Hyogo, Japan.
La incorporación de máscaras de región de interés (ROI) en modelos de aprendizaje profundo mejora significativamente el análisis mamográfico para el cribado del cáncer de mama. Este enfoque mejora la precisión del diagnóstico para las clasificaciones benignas / malignas, lo que ayuda a la detección temprana.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- En el campo de la oncología
Sus antecedentes:
- El aprendizaje profundo es ampliamente adoptado para el diagnóstico de imágenes médicas, particularmente en la mamografía para el cribado del cáncer de mama.
- La diferenciación precisa entre lesiones mamarias benignas y malignas es crucial para el cribado eficaz y el tratamiento del paciente.
Objetivo del estudio:
- Investigar si la incorporación de información de máscara de la región de interés (ROI) mejora la precisión del modelo de aprendizaje profundo para los diagnósticos mamográficos benignos/malignos.
- Evaluar el rendimiento de los modelos Swin Transformer y ConvNeXtV2 con y sin la integración de máscaras de ROI.
Principales métodos:
- Utilizó los modelos Swin Transformer y ConvNeXtV2 en los conjuntos de datos de mamografía VinDr y CDD-CESM.
- Imágenes estratificadas basadas en la presencia o ausencia de máscaras de ROI, entrenamiento y predicción independientemente para cada subgrupo.
- Resultados combinados de subgrupos estratificados por ROI para evaluar el rendimiento diagnóstico general.
Principales resultados:
- El análisis estratificado de ROI mejoró significativamente las métricas de predicción (sensibilidad, especificidad, puntuación F, precisión) en comparación con la línea de base.
- Por ejemplo, VinDr/Swin Transformer mejoró de (0.00, 1.00, 0.00, 0.85) a (0.93, 0.87, 0.90, 0.87) con máscaras de ROI.
- CDD-CESM/ConvNeXtV2 mostró una mejora de (0.65, 0.65, 0.65) a (0.74, 0.61, 0.67, 0.68) con las máscaras de ROI.
Conclusiones:
- El estudio valida la hipótesis de que la incorporación de la información de la máscara ROI mejora el rendimiento del modelo de aprendizaje profundo en la mamografía.
- Teniendo en cuenta los datos de la máscara ROI es crucial para mejorar la precisión del diagnóstico para distinguir las lesiones benignas de las malignas.
- Este enfoque ofrece una estrategia prometedora para una interpretación mamográfica asistida por IA más precisa y confiable.
