在数字乳腺图片合成中检测非典型的架构扭曲:一个多视图计算机辅助检测模型,具有ipsilateral学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳房结构扭曲 (AD) 是乳腺癌的关键指标,但在临床检测中经常被忽视.
• 非典型的AD,缺乏明确的辐射特征,对单视图检测模型构成重大挑战.
• 当前的多视图深度学习方法往往无法利用不同成像视图之间的解剖对应.

研究的目的:

• 开发一个先进的计算机辅助检测 (CADe) 模型来检测架构扭曲 (AD).
• 为了有效地利用从数字乳腺断层合成 (DBT) 图像的尾 (CC) 和中侧斜 (MLO) 视图.
• 改善在临床实践中经常错过的非典型ADS的检测.

主要方法:

• 提出了一种基于解剖结构的多视图信息融合方法来检测AD.
• 使用罗式网络架构从ipsilateral CC和MLO视图中提取和比较信息.
• 采用了三重模块,用于监督视图之间的解剖结构关系.

主要成果:

• 开发的CADe模型实现了0.05-2.0.0的平均真正分数 (MTPF).
• 证明每卷虚假阳性 (FPs) 的减少至64.40%.
• 在80%的灵敏度 (FPs@0.8) 实现了3.5754个FP,显示出6%的MPTF改进和16%的FPs@0.8比基线模型减少.

结论:

• 基于解剖结构的ipsilateral视图信息的融合显著提高了在DBT中用于非典型AD检测的CADe模型性能.
• 拟议的方法显示了早期诊断乳腺癌的前途.
• 提高检测准确度可以在乳腺癌查中带来更好的患者结果.