一个道维度特征重建的深度学习模型,用于预测乳腺癌分子亚型在整体b值扩散权重的MRI上

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:

• 动态对比增强型MRI (DCE-MRI) 对于乳腺癌的歧视是有效的,但存在风险,特别是对于患有脏疾病的患者.
• 扩散权重MRI (DW-MRI) 提供了没有对比剂的替代方案,但其对亚型预测的全部潜力尚未得到充分探索.

研究的目的:

• 开发和评估使用DW-MRI用于预测乳腺癌分子亚型的深度学习模型.
• 为了比较这种新的DW-MRI模型与传统的DCE-MRI的性能.

主要方法:

• 一个通道维度特征重建 (CDFR) 深度神经网络 (DNN) 已开发用于预测四种乳腺癌亚型 (光线A,光线B,HER2+,三阴性) 使用486名患者的DW-MRI数据.
• 一个非CDFR DNN和一个混合组合DNN (ME-DNN) 整合两个CDFR-DNN用于多参数MRI (MP-MRI) 用于比较.
• 使用准确度,灵敏度,特异性和AUC来评估性能,并通过ANOVA和DeLong测试进行统计比较.

主要成果:

• 与非CDFR DNN相比,CDFR-DNN模型显著提高了DW-MRI的预测性能 (精度,0.790.80;AUCs,0.930.94),与非CDFR DNN相比.
• 使用CDFR-DNN的DW-MRI实现了与DCE-MRI可比的预测性能 (精度,0.790.80;AUCs,0.930.95).
• 使用ME-DNN的MP-MRI显示出比单独使用DW-MRI和DCE-MRI更高的性能 (精度,0.850.87;AUCs,0.960.97).

结论:

• CDFR-DNN模型使得DW-MRI能够预测乳腺癌亚型,其性能与DCE-MRI可比,提供一种无对比剂的方法.
• 多参数MRI,集成DW-MRI和DCE-MRI与先进的深度学习,为乳腺癌亚型预测提供了最高的准确性.