在查性乳房图片上对透脂肪的下淋巴结进行自动分类

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 透脂肪的带淋巴结 (LNs) 与与肥胖有关的疾病有关.
• 需要进行大规模的研究来证实这种相关性,但这些研究受到稀缺的标记数据的限制.
• 自动化工具可以帮助对此类研究进行数据标签.

研究的目的:

• 开发一个深度学习 (DL) 管道,用于在查乳房图片上自动分类脂肪透的LNs.
• 创建一个快速和可通用的工具,以协助数据标签用于未来的研究.
• 评估使用DL用于识别脂肪LN的可行性.

主要方法:

• 一个两阶段的DL模型被训练和微调使用一个内部数据集的886个乳房影像.
• 该模型根据大小和形态学对透脂肪的LNs的二元状态进行了分类.
• 评估是在内部和外部测试集上进行的,包括从查乳房学数字数据库中的子集.

主要成果:

• 在内部测试数据 (264张乳房影像) 上,DL模型实现了0.97准确度和1.00AUC.
• 在外部测试数据 (70张乳房图),该模型实现了0.82准确度和0.87AUC.
• 该模型在分类脂肪透的淋巴结方面表现出很高的性能.

结论:

• 这项研究证实了使用DL来分类乳房图片上透脂肪的LN的可行性.
• 开发的DL模型是识别脂肪LN的实用工具.
• 这种工具可以促进大规模的研究,研究脂肪LNs作为肥胖相关病理的生物标志物.