在女性乳房中检测损伤的动态对比增强磁共振成像使用深度学习
Sudarshan Saikia1, Tapas Si2, Darpan Deb3
1Information Technology Department, Oil India Limited, Duliajan, Assam, 786602, India.
Scientific reports
|December 18, 2023
概括
本研究将U-Net深度学习模型与动态对比增强磁共振成像 (DCE-MRI) 的乳腺癌病变检测进行比较. ResUNet表现出最好的整体性能,而U-Net GAN是最快的.
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:
- 乳腺癌是女性癌症死亡的主要原因,需要先进的诊断工具.
- 动态对比增强磁共振成像 (DCE-MRI) 的准确细分对于乳腺癌的诊断和检测至关重要.
- 深度学习,特别是U-Net架构,在生物医学图像细分方面显示出重大前景.
研究的目的:
- 对各种U-Net衍生模型进行深入分析和实证研究,以检测女性乳腺病变的DCE-MRI.
- 将U-Net及其变体的有效性和效率与V-Net和DeepLabV3+等既有模型进行比较.
- 在DCE-MRI中确定最佳的深度学习模型,以准确高效地对乳腺癌病变进行细分.
主要方法:
- 一项实证研究对来自20名患者的100个Sagittal T2-权重脂肪抑制DCE-MRI片进行了实证研究.
- 评估了各种U-Net模型 (ResUNet,密集的UNet,DUNet,注意力U-Net,UNet++,MultiResUNet,RAUNet,Inception U-Net,U-Net GAN) 的使用情况.
- 使用定量指标和多标准决策分析 (MCDA) 与V-Net,W-Net和DeepLabV3+进行了性能比较.
主要成果:
- RAUNet获得了高精度 (99.76%),灵敏度 (85.04%),精度 (90.21%) 和DSC (85.04%).
- 根据MCDA,ResUNet被确定为最有效的模型.
- U-Net GAN对细分的计算时间最短,而ResNet显示出强大的细分和病变检测能力.
结论:
- 根据综合评估,ResUNet成为乳腺DCE-MRI病变检测中最有效的模型.
- 虽然RAUNet和ResNet显示出强大的性能指标,但计算效率在模型之间有所不同.
- 该研究强调了各种U-Net架构在通过DCE-MRI细分来改善乳腺癌诊断方面的潜力.
