以人工智能为基础的癌症检测模型用于对比增强的乳房摄影

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:

• 深度神经网络 (DNN) 代表了乳房成像计算机辅助诊断 (CAD) 的突破.
• 增强对比度的乳房造影 (CEM) 提供了解剖学和功能性见解,但由于数据稀缺,深度学习 (DL) 研究受到限制.

研究的目的:

• 开发和评估CEM-CAD系统,以提高病变检测和乳腺分类.
• 解决基于DL的CEM分析有限的数据可用性.

主要方法:

• 优化了基于YOLO的深度学习模型,在大型CEM数据集 (1673名患者,7443张图像) 上进行训练.
• 使用FROC评估的病变检测和使用ROC指标的乳腺分类.
• 通过不同的图像输入和背景辅酶增强 (BPE) 级别来评估性能.

主要成果:

• 在乳腺分类中获得了0.964的AUROC.
• 检测到90%的癌症,每张图像的假阳性率为0.128.
• 使用低能耗和重组图像都表现出卓越的性能,BPE显著影响了结果.

结论:

• 开发的CEM CAD系统在病变检测和乳腺分类方面表现出高性能.
• 它的能力与经验丰富的放射科医生的能力相当.