用于模拟乳房影像的GAN文物对识别乳房影像隐性癌症的影响

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 癌症检测 癌症检测

背景情况:

• 生成对抗网络 (GAN) 合成现实的图像.
• 条件GANs (CGANs) 可以模拟正常的乳房乳房显微镜.
• GAN可能会引入影响图像质量和癌症检测性能的工件.

研究的目的:

• 在乳房影像模拟中探索GAN文物类型.
• 评估这些文物对乳房影像隐性癌症检测的影响.
• 评估模拟乳房造影在癌症检测算法中的实用性.

主要方法:

• 在1366个正常的数字乳房影像上训练了CGAN.
• 在333名乳腺密度高的女性的独立数据集上测试了CGAN,其中包括97名MO癌症.
• 融合了真实和模拟的乳房影像来训练一个卷积神经网络 (CNN) 用于MO癌症检测.
• 一位放射科医生在模拟的乳房影像中发现了一些人工物.

主要成果:

• 鉴定了四种文物类型 (棋盘,边界,乳头,黑斑) 的总发病率>69%.
• 个别文物率在9%至53%之间.
• 尽管有艺术品,但模拟的乳房影像在与真实图像相结合时,为MO癌症检测提供了补充信息.

结论:

• 在CGAN模拟的乳房造影中,人工物很常见.
• 这些文物并没有对MO癌症检测算法产生负面影响.
• 模拟性乳房影像在与真实乳房影像一起使用时,仍然对提高癌症检测有价值.