基于多模式MRI的深度学习与Sobel操作员在区分良性和恶性乳腺质病变的诊断效率-一项回顾性研究
Weixia Tang1, Ming Zhang1, Changyan Xu2
1Radiology Department, Affiliated Hospital 2 of Nantong University, Nantong First People's Hospital, NanTong, Jiangsu, China.
PeerJ. Computer science
|August 7, 2023
概括
多模态深度学习模型显著改善了乳腺质量的诊断. 与单模方法相比,融合模型显示出更高的准确性和效率,提高了良性和恶性病变的诊断能力.
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:
- 乳腺癌的诊断依赖于精确的病变分类.
- 磁共振成像 (MRI) 对于乳腺瘤的评估至关重要.
- 深度学习为自动诊断分析提供了潜力.
研究的目的:
- 为了比较深度学习单模和多模诊断效率,用于乳腺质量分类.
- 用人工智能评估各种MRI序列在区分良性和恶性乳腺病变方面的性能.
主要方法:
- 使用MRI数据对207种乳腺病变 (101种良性,106种恶性) 进行了回顾性分析.
- 开发单模卷积神经网络 (CNN) 模型 (T2WI,非fs T1WI,DCE-MRI阶段) 和多模融合模型.
- 使用Sobel运算符进行多模式融合和五倍交叉验证进行性能评估.
主要成果:
- 所有模型都实现了ROC曲线下的面积 (AUC) > 0.750.
- 使用Sobel操作员的多模融合模型实现了最高的AUC (0.887),灵敏度 (79.8%) 和特异性 (86.1%).
- 多模式模型在统计学上显著地改善了单模式模型 (p < 0.05).
结论:
- 多模式深度学习融合模型,特别是使用Sobel操作员,显示出乳腺质量分类的出色诊断价值.
- 这些先进的AI模型可以显著提高乳腺质量诊断的效率和准确性.


