基于变压器的深度神经网络用于乳腺癌的分类数字乳腺图像图解图像
Weonsuk Lee1, Hyeonsoo Lee1, Hyunjae Lee1
1From Lunit, 5F, 374 Gangnam-daero, Gangnam-gu, Seoul 06241, Republic of Korea.
Radiology. Artificial intelligence
|June 9, 2023
概括
一个新的基于变压器的深度神经网络通过分析邻近部分来改进对数字乳腺图像 (DBT) 的乳腺癌检测. 这种高效的模型优于传统方法,提高了诊断准确度.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 数字乳腺图解合成 (DBT) 是用于乳腺癌查的先进成像技术.
- 在DBT图像中准确检测乳腺癌仍然是一个挑战,需要改进的计算方法.
- 深度学习模型有可能提高医学成像分析中的诊断性能.
研究的目的:
- 开发一种高效的深度神经网络 (DNN) 模型,用于在DBT图像中检测乳腺癌.
- 利用邻近图像部分的上下文信息来提高检测准确度.
- 将拟议DNN模型的性能与现有架构进行比较.
主要方法:
- 使用基于变压器的深度神经网络架构来分析DBT图像部分的上下文信息.
- 拟议的模型是在5174个四视图DBT研究的大数据集上进行训练和验证的.
- 使用AUC,灵敏度和特异性等指标,对两个基线模型 (3D卷积和2D截面分析) 进行了性能评估.
主要成果:
- 基于变压器的模型显示,与每截面基线相比,分类性能显著提高.
- 关键绩效指标显示了实质性的增长:AUC从0.88增加到0.91,灵敏度从81.0%增加到87.7%,特异性从80.5%增加到86.4%.
- 变压器模型实现了与3D卷积模型相比较的分类精度,同时仅使用了25%的计算资源.
结论:
- 基于变压器的DNN有效地利用邻近DBT部分的上下文数据来增强乳腺癌检测.
- 与现有方法相比,拟议的模型提供了优越的诊断性能和计算效率.
- 这种方法代表了人工智能驱动的乳腺癌诊断使用DBT成像的重大进步.
