乳腺组织的多类细分和可疑发现:基于模拟的研究,用于开发自动驾驶图莫合成
Bruno Barufaldi1, Yann N G da Nobrega2, Giulia Carvalhal2
1Department of Radiology, University of Pennsylvania, Philadelphia, PA 19104, USA.
Tomography (Ann Arbor, Mich.)
|June 27, 2023
概括
这项研究引入了"自动控制的图莫合成",这是一种使用人工智能的新方法,用于分析定制乳腺癌查的初始低剂量预测. 该方法旨在通过自主指导可疑发现的成像采集来提高检测准确度.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 乳腺图解合成使用多个低剂量投影用于3D成像.
- 目前的系统在定制扫描以寻找可疑发现方面存在局限性.
- 在高风险地区改善图像质量对于早期癌症检测至关重要.
研究的目的:
- 开发和评估一个
- 自动驾驶的图莫合成机
- 为定制的乳腺癌查系统.
- 评估使用单一低剂量预测以自主指导后续收购的可行性.
- 改善可疑发现的检测,减少乳腺瘤合成中的错误阳性.
主要方法:
- 开发下一代多向运动源的图莫合成系统.
- 利用虚拟临床试验技术来分析单次低剂量预测.
- 使用U-Net模型将预测分类为风险类别.
- 应用后期的迪里克莱特校准 (DC) 来修改类概率并改善细分.
主要成果:
- 使用DC增强的U-Net模型改善了多类细分 (Dice = 0.43对比0.28).
- 迪里克莱特校准显著减少了高风险地区的假阳性 (81.3%的灵敏度在2FP/图像与76.0%).
- 证明了从单个低剂量投影中识别可疑区域的可行性,用于自主扫描计划.
结论:
- 自动控制的图莫合成显示了个性化乳腺癌查的前景.
- 人工智能引导的图像采集自主调整可以提高诊断准确度.
- 这种方法代表了朝着更高效,更有效的乳腺瘤合成迈出的重要一步.
