在使用更快的基于区域的卷积神经网络和U-Net的自动化乳房超声波上进行3D乳腺结节检测
Kangrok Oh1, Si Eun Lee2, Eun-Kyung Kim3
1Research Institute of Radiological Science and Center for Clinical Imaging Data Science, Yonsei University College of Medicine, Seoul, 03722, Republic of Korea.
Scientific reports
|December 19, 2023
概括
这项研究引入了一个3D深度学习系统,用于自动化乳腺超声波结节检测. 该系统旨在通过减少虚假阳性来提高乳腺癌查准确度,特别是在密集的乳房.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳房摄影的敏感性在密集的乳房中是有限的,这增加了间隔癌症的风险.
- 自动乳房超声波 (ABUS) 是一个补充工具,但读取ABUS数据是耗时的.
- 需要计算机辅助检测 (CAD) 系统来提高ABUS的效率.
研究的目的:
- 开发和评估使用2D深度学习模型用于自动乳房超声波的3D乳腺结节检测系统.
- 通过后处理技术减少ABUS结节检测中的错误阳性.
主要方法:
- 使用2D深度学习模型开发了一个3D乳腺结节检测系统.
- 该系统在内部自动化乳腺超声波数据集上进行了训练和测试.
- 实施了后处理步骤,以尽量减少假阳性.
主要成果:
- 该系统在未见测试数据上获得了[公式:参见文本]的灵敏度,错误阳性为8.6.
- 深度学习方法在检测ABUS图像中的结节方面表现出有效性.
结论:
- 拟议的深度学习系统在自动化乳腺超声波中显示出对有效和准确的乳腺结节检测有前途.
- 这项技术有可能提高乳腺癌查,特别是对于乳腺组织密度较高的女性.
