U-Net乳腺损伤细分用于乳腺动态对比增强磁共振成像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 在动态对比增强MRI (DCE-MRI) 中精确细分乳腺病变对于计算机辅助诊断中的基于放射性人工智能 (AI) 至关重要.
• 评估不同细分算法的有效性对于提高诊断准确性至关重要.

研究的目的:

• 评估2D和3DU-Net卷积神经网络 (CNN) 在DCE-MRI上进行乳腺病变细分的性能.
• 将U-Net模型与模糊c-means (FCM) 和放射科医生细分进行比较.

主要方法:

• 利用了来自DCE-MRI扫描的994个独特的乳腺病变.
• 研究了三种细分算法:FCM,2D U-Net和3D U-Net.
• 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 评估细分,放射科医生细分作为基准真相,FCM作为替代品.

主要成果:

• 在中心切片和体积细分 (DSC,HD) 方面,2D U-Net显著优于3D U-Net.
• 与FCM相比,2D U-Net在中心切片细分 (DSC) 中也表现出更高的性能.
• 对于U-Net的两个模型来说,第二次对比后减去图像比第一次对比后减去图像产生了更好的结果. 质量细分比非质量细分更有效.

结论:

• 2D U-Net 模型为在 DCE-MRI 上细分质量和非质量增强乳腺病变提供了一个有希望和有效的替代方案.
• 它为传统的FCM方法和更复杂的3D U-Net方法提供了可行的替代方案.