基于任务的评估,使用深度学习的微化检测算法,使用in silico和物理幻影研究来进行数字乳房学微化检测

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 乳腺扫描对于乳腺癌的检测至关重要,识别微化和病变.
• 减少乳房造影中的辐射暴露会降低图像质量,影响生物标志物的可见性.
• 否定算法,特别是那些使用卷积神经网络 (CNN) 的算法,在缓解这种质量损失方面表现有前途.

研究的目的:

• 评估基于深度学习的除方法在改善半剂量乳房影像中检测小微化的有效性.
• 评估用CNN消毒器进行后处理是否可以提高微化的可见性,而微化是乳房镜中的关键指标.

主要方法:

• 一个现有的CNN消毒器模型被应用于物理幻影乳房影像和模拟的乳房幻影.
• 使用4个替代强制选择 (4-AFC) 实验进行的人类读者研究,以比较图像质量和检测性能.
• 性能以信号检测任务中正确响应的比例来衡量.

主要成果:

• 从物理幻影研究中,在半剂量乳房影像中没有观察到检测小微化的显著改善.
• 在使用半剂量图像的蒙特卡罗模拟研究中发现了4-AFC分数的显著增加.
• 这种模拟的改进发生在神经网络在数据集上训练时,信号存在和信号缺失区域的平衡组合.

结论:

• 深度学习的denoising可能不会在所有乳房扫描场景中本质上改善微化检测.
• 将训练数据集与信号存在感兴趣区域 (ROI) 进行丰富,可以提高这些算法的性能.
• 这种增强特别适用于检测小微化的集群 ($$).