基于深度学习的图莫合成否定:跨不同乳腺类型的偏见调查
Dominik Eckert1, Julia Wicklein1, Magdalena Herbst1
1Siemens Healthcare GmbH, Forchheim, Germany.
Journal of medical imaging (Bellingham, Wash.)
|December 11, 2023
概括
这项研究引入了一种深度学习算法,以减少数字乳腺图片合成 (DBT) 图像中的噪音. 该算法在临床数据中有效地排斥了各种乳腺类型,解决了人们对医疗AI公平性的担忧.
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:
- 数字乳腺图解合成 (DBT) 中的低X射线剂量导致高噪音,具有挑战性的图像重建.
- 深度学习 (DL) 提供了降低噪音的潜力,但如果培训数据不代表性,可能会产生偏见.
- 对于医疗应用的安全性和公平性来说,对DL拒绝算法的彻底评估至关重要.
研究的目的:
- 开发和评估一个基于深度学习的DBTdenoising算法.
- 调查有关乳腺密度,厚度和噪音水平的算法潜在偏差.
主要方法:
- 用物理驱动的数据增强来创建来自全场数字造乳镜的低剂量图像.
- 一个编码器-解码器网络被训练使用一个新的直线单位 (ReLU) 损失功能,适用于乳房图解噪.
- 用临床和模拟数据评估算法性能和偏差,包括各种X射线剂量分布.
主要成果:
- 排性能与噪声水平有直接的相关性.
- 虽然模拟数据表明偏向特定乳腺组,但临床数据显示,基于结构相似性指数,该算法在不同乳腺类型中表现同样好.
- 该算法有效地减少了DBT投影图像中的噪音.
结论:
- 为DBT开发了一种强大的深度学习解密算法.
- 广泛的测试揭示了该算法的优点和弱点,特别是其在临床数据中对不同乳腺类型的公正表现.
更多相关视频
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
22.5K
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
