通过使用多功能融合神经网络的对比增强乳房扫描来诊断乳腺癌
Nini Qian1, Wei Jiang1,2, Yu Guo3
1Department of Biomedical Engineering, School of Precision Instrument and Opto-electronics Engineering, Tianjin University, Tianjin, 300072, China.
European radiology
|August 23, 2023
概括
一个新的深度神经网络用于对比增强乳房造影 (CEM) 图像分类,在检测乳腺癌方面取得了高准确性. 这种人工智能工具显示出改善临床诊断和患者治疗结果的前景.
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:
- 增强对比度的乳房造影 (CEM) 对于乳腺癌的诊断至关重要.
- 精确的CEM图像分类有助于早期检测和治疗计划.
- 深度学习模型有可能提高乳房扫描诊断的准确性.
研究的目的:
- 开发一个端到端的深度神经网络 (DNN) 用于分类对比增强乳房镜像 (CEM) 图像.
- 利用人工智能提高乳腺癌诊断的准确性和效率.
- 创建一个强大的模型,能够整合来自CEM图像的多功能信息.
主要方法:
- 一项追溯性研究,涉及2496名接受CEM检查的患者.
- 开发一个多功能融合神经网络,结合低能 (LE) 和双能减去 (DES) 图像.
- 在各种CEM数据集上进行培训和验证,在FFDM和CEM数据集上进行外部验证.
主要成果:
- 多功能融合网络在CEM图像分类中实现了0.96的AUC.
- 该模型在外部数据集上表现出强大的概括性能 (AUC 0.90和0.92).
- 与仅使用LE图像或更简单的融合方法的模型相比,实现了更高的性能.
结论:
- 开发的多功能融合神经网络显著提高了用于乳腺癌诊断的CEM图像分类.
- 当通过这种DNN分析CEM图像时,显示出对检测恶性病变的高灵敏度和特异性.
- 这种人工智能模型是一个有前途的计算机辅助诊断工具,用于乳腺癌检测的临床应用.
