在使用深 convolutional 神经网络的超快速查MRI中定位对比增强的乳腺病变
Xueping Jing1, Monique D Dorrius2, Sunyi Zheng3
1Department of Radiation Oncology, and Data Science Center in Health (DASH), Machine Learning Lab, University Medical Center Groningen, University of Groningen, Hanzeplein 1, 9713 GZ, Groningen, The Netherlands. x.jing@umcg.nl.
European radiology
|September 1, 2023
概括
这项研究引入了一种深度学习方法,用于在超快的MRI扫描中检测乳腺病变. 该系统使用YOLOv5和LSTM网络来实现高灵敏度并减少查中的错误阳性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺MRI对于癌症检测至关重要.
- 超快的MRI提供了更快的查潜力.
- 准确的病变检测对于早期诊断至关重要.
研究的目的:
- 开发一种深度学习模型,用于在超快的MRI中检测乳腺病变.
- 利用人工智能提高乳腺癌查的准确性和效率.
主要方法:
- 利用YOLOv5和长短期记忆 (LSTM) 网络进行病变检测.
- 在837个乳房MRI检查 (265个病变) 上训练有素的模型.
- 在模拟选场景中评估系统性能,并进行交叉验证.
主要成果:
- YOLOv5x模型实现了高灵敏度 (0.95-0.99),具有不同的错误阳性率.
- LSTM网络减少了15.5%的虚假阳性预测.
- 综合系统的积极预测值从0.22增加到0.25.
结论:
- 一个微调的YOLOv5x模型在超快的MRI中有效检测乳腺病变.
- 一个集成的YOLOv5x和LSTM系统通过减少假阳性来提高查准确性.
- 这种人工智能驱动的方法可以帮助放射科医生,改善诊断工作流程.


