使用机器学习模型估计乳房的生物力学乳房变形
1Karlsruhe Institute of Technology (KIT), Institute for Data Processing and Electronics, Karlsruhe, Germany.
Clinical biomechanics (Bristol, Avon)
|October 12, 2023
概括
机器学习模型可以准确地预测乳房变形在乳房造影,克服传统生物机械模型的计算局限性,用于实时临床应用.
科学领域:
- 医学成像医学成像
- 计算生物力学计算力学
- 机器学习是机器学习.
背景情况:
- 乳房显微镜期间的非线性乳房变形使MRI和X射线注册复杂化.
- 目前的有限元方法 (FEM) 模拟是计算密集的,阻碍了临床使用.
- 生物机械模型的虚拟变形是需要准确的乳房镜注册.
研究的目的:
- 开发和评估用于预测乳腺变形的机器学习 (ML) 模型.
- 为了克服FEM的计算局限性,用于实时哺乳镜应用.
- 为了能够准确地记录MRI和X射线乳房影像.
主要方法:
- 提出了三个ML模型:极端随机树,极端梯度增强 (XGBoost) 和双向长期短期记忆 (BiLSTM) 与注意力.
- 从MRI数据开发了一个虚拟乳房变形的生物机械模型.
- 在516个乳房上验证了模型,压缩比高达76%.
主要成果:
- 在XGBoost和BiLSTM模型中,比随机树模型表现出更高的性能.
- 没有负载状态估计的RMSE中位数为0.8毫米 (XGBoost) 和1.2毫米 (BiLSTM).
- 压缩模拟的RMSE中位数为两款顶级车型的3.4毫米.
- 与FEM相比,XGBoost模型实现了240倍的加速度.
结论:
- ML模型提供了与FEM相比较准确的乳腺变形预测.
- 拟议的ML模型允许临床相关的实时应用在乳房影像中.
- 这些模型可以取代计算上昂贵的FEM模拟.


