深度学习模型与拼接图像用于细分专用的乳房正子辐射断层扫描图像

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:

• 专用乳腺正子发射断层扫描 (dbPET) 为检测小乳腺癌提供了高对比度和分辨率.
• dbPET成像可能会很,需要先进的分析技术来评估病变.
• 深度学习在dbPET扫描中实现了对异常摄入量细分的自动化.

研究的目的:

• 评估深度学习的应用,用于dbPET图像上的异常摄取的自动细分.
• 通过自动化细分来提高dbPET扫描中损伤评估的准确性.
• 用数据增强技术在深度学习模型培训中解决数据稀缺问题.

主要方法:

• 一项回顾性研究分析了从2015年4月到2020年8月的662次乳房检查 (217次有异常吸收).
• 基于U-Net的深度学习模型与分类头被训练使用原始和增强数据集.
• 拼接图像,结合异常吸收和正常的乳房,用于数据增强.

主要成果:

• 用拼接图像训练的深度学习模型获得了0.884的Dice分数和91.5%的分类准确性.
• 在所有子组中观察到子得分的显著改善,包括没有乳腺癌的图像显著增加 (0.750到0.834).
• 增强策略有效地解决了数据稀缺问题,提高了dbPET损伤细分的模型性能.

结论:

• 深度学习是一种可行的工具,用于dbPET成像中的异常摄取的自动细分.
• 使用拼接图像进行数据增强显然可以提高深度学习模型在该应用程序中的性能.
• 使用深度学习的自动细分可以在dbPET扫描上更准确,更有效地评估乳腺病变.