基于预白匹配过器和卷积神经网络的模型观察员性能,用于在非对比性乳腺CT中检测质量损伤
Su Hyun Lyu1,2, Craig K Abbey3, Andrew M Hernandez2
1Department of Biomedical Engineering, University of California Davis, Davis, California, USA.
Medical physics
|August 30, 2023
概括
卷积神经网络 (CNN) 在高斯图像中匹配了理想的观察者表现,但在真实乳腺CT图像中检测模拟乳腺病变方面表现优于预白匹配过器 (PWMF),捕获了更多的诊断信息.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算观察者是指计算机观察者.
背景情况:
- 数学模型观察者预测人类在医学成像任务中的表现.
- 卷积神经网络 (CNN) 是放射学中最优的观察者.
- 这项研究将CNN与乳腺CT成像中的传统模型观察者进行比较.
研究的目的:
- 为了比较CNN和预白匹配过器 (PWMF) 模型观察者在乳腺CT (bCT) 图像中模拟病变检测.
- 为了评估模型观察者的表现,不同的病变大小,乳腺密度和切口厚度.
- 评估CNN在bCT数据中利用复杂解剖特征的能力.
主要方法:
- 模拟的不同大小的球形病变被插入到253名患者的BCT数据集中.
- 通过切片提取或平均生成2D图像,以模拟不同的切片厚度.
- 在Gaussian和bCT图像数据集上使用ROC分析 (AUC指标) 训练和测试CNN和PWMF.
主要成果:
- 在所有参数中,CNN的表现与高斯背景的PWMF相同.
- 在bCT背景下,CNN在病变大小,乳腺密度和大多数截面厚度的病变检测方面显著优于PWMF.
- 在bCT数据中,CNN似乎利用了PWMF无法访问的更高阶图像特征.
结论:
- 在受控的 (高斯式) 环境中,CNN的表现相当于理想观察者的表现.
- 在复杂的BCT背景下,CNN捕获的诊断信息比PWMF更多.
- 在使用乳腺CT图像的性能优化研究中,CNN代表了一个更适合的模型观察者.
