一个创新的,更快的基于R-CNN的框架,用于MRI检测乳腺癌
João Nuno Centeno Raimundo1, João Pedro Pereira Fontes2, Luís Gonzaga Mendes Magalhães2
1Instituto Politécnico de Setúbal, Escola Superior de Tecnologia de Setúbal, 2914-508 Setúbal, Portugal.
Journal of imaging
|September 27, 2023
概括
这项研究引入了一个自动化乳腺癌检测系统,使用MRI扫描上的Faster R-CNN. 新的预处理方法提高了识别病理病变的准确性和效率.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌 (BC) 是全球最常见的癌症,在2020年有230万例新发病例和685,000例死亡.
- 早期检测显著提高了治疗效率和患者存活率.
- 像MRI这样的医学成像模式对于BC检测和诊断至关重要.
研究的目的:
- 开发和验证基于Faster R-CNN的框架,用于MRI中自动检测乳腺癌病理病变.
- 改进乳房MRI预处理阶段,以创建更强大的数据集和更准确的病变识别.
主要方法:
- 开发了一种基于Faster R-CNN的新型框架,用于MRI中自动检测BC病变.
- 创建了一种创新的预处理方法,以增强乳房MRI切片选择和界限框注释.
- 一个完全注释的数据集922个BC患者的MRI病例被用于培训和验证.
主要成果:
- 开发的框架在检测病理病变方面达到97.83%的最大准确性.
- 经过十倍的交叉验证,平均准确率为94.46%,标准偏差为2.43%.
- 预处理方法提高了数据集的稳定性,减少了计算时间,提高了病变定位的准确性.
结论:
- 提议的Faster R-CNN框架具有增强的预处理,为MRI中自动检测乳腺癌提供了高度准确和高效的解决方案.
- 这种方法可以在临床决策中显著帮助放射科医生,从而导致更早,更精确的诊断.
- 公开发布的数据集和验证的方法有助于推进乳腺癌成像中的深度学习应用.
