在DCE-MRI中进行3D乳腺癌细分,使用带有弱注释的深度学习
Ga Eun Park1, Sung Hun Kim1, Yoonho Nam2
1Department of Radiology, Seoul St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Seoul, Republic of Korea.
Journal of magnetic resonance imaging : JMRI
|August 19, 2023
概括
这项研究开发了一个深度学习模型,用于使用弱注释的动态对比增强磁共振成像 (DCE-MRI) 数据进行3D乳腺癌细分. 该模型表现出可靠的性能,显示了改善乳腺癌检测和分析的潜力.
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:
- 在医学成像中获得用于深度学习的大型注释数据集是具有挑战性的.
- 弱注释为数据集创建提供了一种节省时间的替代方案.
- 这项研究解决了在乳腺癌成像中需要强大的深度学习模型的需求.
研究的目的:
- 在DCE-MRI中开发和评估用于3D乳腺癌细分的深度学习模型.
- 在训练模型时使用弱注释技术.
- 为了实现临床应用的可靠细分性能.
主要方法:
- 这是一项追溯性研究,涉及736名患有乳腺癌的女性.
- 使用边界框进行弱注释,然后进行手动校正,以创建基本真相.
- 在注释的DCE-MRI数据集上训练一个3D U-Net变压器 (UNETR) 深度学习模型.
- 细分结果的定量 (迪斯相似性,斯皮尔曼相关性) 和定性 (视觉评分) 评估.
主要成果:
- 深度学习模型实现了整个乳房的Dice相似度中位数为0.75,对感兴趣区域 (ROI) 为0.89.
- 与基本真相的体积相关系数为0.82 (整个乳房) 和0.86 (ROI).
- 读者评估中的平均视觉分数为3.4.
结论:
- 开发的深度学习模型在使用弱注释的DCE-MRI中显示了对3D乳腺癌细分的有希望的性能.
- 弱监督学习对于医疗图像细分任务可能是有效的.
- 这种方法有可能提高乳腺癌诊断的效率和准确性.
