结合深度学习和手工制造的放射学来对对比度增强的乳房图进行可疑病变的分类
Manon P L Beuque1, Marc B I Lobbes1, Yvonka van Wijk1
1From the Department of Precision Medicine (M.P.L.B., Y.v.W., Y.W., S.P., H.C.W., P.L.) and Department of Radiology and Nuclear Medicine (M.B.I.L.), GROW School for Oncology and Reproduction, Maastricht University, Universiteitssingel 40, 6229 ER Maastricht, the Netherlands; Department of Radiology and Nuclear Medicine, Maastricht University Medical Center, Maastricht, the Netherlands (M.B.I.L., H.C.W., P.L.); Department of Medical Imaging, Zuyderland Medical Center, Sittard-Geleen, the Netherlands (M.B.I.L.); Department of Imaging, Institut Gustave Roussy, Université Paris Saclay, Villejuif, France (M.M., C.B.); and Biomaps, UMR1281 INSERM, CEA, CNRS, Université Paris-Saclay, Villejuif, France (C.B.).
一个新的深度学习 (DL) 工具准确地识别和细分对比度增强乳房扫描 (CEM) 图像上的乳房病变. 将DL与手工制作的放射学相结合,可显著提高诊断性能,用于分类恶性与良性病变.
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
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 手工制作的放射学和深度学习 (DL) 模型在对比度增强乳房扫描 (CEM) 上对乳房病变进行分类方面表现有前途.
- 现有的模型单独实现良好的性能,但需要一个全面的工具来自动识别损伤,细分和分类.
研究的目的:
- 开发一个全面的机器学习工具,用于在CEM图像上的自动化病变识别,细分和分类.
- 与单个模型相比,评估联合DL和手工制造的放射学模型的诊断性能.
主要方法:
- 从1601名召回患者 (培训) 和283名 (外部验证) 进行CEM图像和临床数据的回顾性收集.
- 通过使用预处理的CEM图像,训练DL模型进行自动病变识别,细分和分类.
- 一个手工制作的放射学模型被训练来分类由人类和DL模型分段的病变.
主要成果:
- 该DL模型实现了高灵敏度的病变识别 (90%的图像水平,99%的患者水平) 与良好的细分精度 (迪斯系数0.71-0.80).
- 联合DL和放射学模型显示出优异的分类性能,使用DL生成的细分实现最高AUC0.95.
- 综合模型在将病变分类为良性或恶性方面明显优于单个模型 (P < .05).
结论:
- 深度学习模型可以在CEM图像上准确地识别和划分可疑的乳腺病变.
- 通过利用DL和手工制造的放射学技术的综合方法,为乳腺病变的分类提供了强大的诊断性能.
- 这种集成的机器学习工具有可能增强自动化乳腺癌诊断.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
