乳腺DM:用于乳腺瘤图像细分和分类的DCE-MRI数据集
Xiaoming Zhao1, Yuehui Liao1, Jiahao Xie1
1Taizhou Central Hospital, Taizhou University, 318000, Taizhou, China; School of Computer Science, Hangzhou Dianzi University, Hangzhou, 310018, China.
Computers in biology and medicine
|July 27, 2023
概括
一个新的数据集,BreastDM,解决了缺乏动态对比增强的MRI数据用于乳腺癌诊断. 一个新的LG-CAFN模型在从DCE-MRI图像中分类乳腺瘤方面取得了高准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 动态对比增强磁共振成像 (DCE-MRI) 对乳腺癌诊断非常敏感.
- 公共DCE-MRI数据集的稀缺性阻碍了计算机辅助诊断算法的发展.
- 现有的算法在复杂的乳腺DCE-MRI数据上往往缺乏强大的性能.
研究的目的:
- 介绍乳腺瘤数据集,这是一个用于乳腺瘤细分和分类的DCE-MR图像的新集合.
- 用最先进的细分和分类方法建立乳腺瘤图像分析的性能基准.
- 提出和评估一种新的深度学习模型,LG-CAFN,用于增强乳腺瘤分类.
主要方法:
- 策划了232名患有良性和恶性乳腺DCE-MR图像 (对比前,对比后,减去序列) 的患者数据集.
- 实施并对传统和基于深度学习的图像细分和分类算法进行基准测试.
- 开发并验证了局部-全球交叉注意力融合网络 (LG-CAFN) 以提高分类准确性.
主要成果:
- LG-CAFN实现了优异的分类性能,具有最高的精度 (88.20%,83.93%) 和AUC (0.9154,0.8826).
- 建立了全面的基准,展示了乳腺DCE-MRI瘤图像分析的挑战.
- 实验结果证实了LG-CAFN对现有的乳腺瘤分类方法的有效性.
结论:
- 乳腺癌诊断数据集和评估代码为推进乳腺癌诊断研究提供了宝贵的资源.
- 拟议的LG-CAFN模型显示了准确可靠的乳腺瘤分类的巨大潜力.
- 这项工作有助于开发使用DCE-MRI进行乳腺癌的更复杂的计算机辅助诊断工具.
