一种协作多任务学习方法,用于BI-RADS第四类乳腺病变细分和MRI图像分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 由于恶性瘤的概率范围广泛 (2-95%),BI-RADS 4 类乳腺病变存在诊断挑战.
• 磁共振成像 (MRI) 是评估这些病变的关键非侵入性技术.
• 由于形状不规则,类不平衡和对比度低,MRI中损伤细分和分类很困难.

研究的目的:

• 开发和评估一个计算机算法,用于对MRI图像中的BI-RADS第四类乳腺病变进行细分和分类.
• 为了应对不规则的形状,不平衡的分类和低对比度的挑战,在损伤分析中.
• 为了提高这些难以诊断的病变的良性与恶性分类的准确性.

主要方法:

• 开发了一个协作多任务学习算法 (CMTL-SC),集成了细分和分类任务.
• CMTL-SC使用初步细分子网进行边界和面罩识别.
• 一个分类子网精细化了诊断,而一个重新划分分段子网根据分类结果增强了损伤划分.

主要成果:

• CMTL-SC算法显示了与经验丰富的医生可比的损伤边界划分.
• 对248名患者的MRI数据的性能评估显示,与单任务和现有的多任务算法相比,效果更好.
• 该算法有效地解决了包括不规则的病变形状,类不平衡和低对比度在内的挑战.

结论:

• CMTL-SC算法显示了改善 BI-RADS 4 类乳腺病变诊断的显著潜力.
• 通过CMTL-SC准确的细分和分类可以帮助临床医生进行精确的诊断.
• 这项技术可以有助于完善乳腺癌患者的治疗策略.