在使用深度学习的动态对比增强磁共振成像上对良性和恶性乳腺病变的歧视
Ming Zhang1, Guangyuan He1, Changjie Pan1
1Department of Radiology, The Affiliated Changzhou No. 2 People's Hospital, Nanjing Medical University, Changzhou, Jiangsu Province, P.R. China.
Journal of cancer research and therapeutics
|December 29, 2023
概括
深度转移学习 (DTL) 在DCE-MRI中有效地区分恶性与良性乳腺病变. 微调VGG19模型进一步提高了诊断准确度,显示了临床潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在动态对比增强磁共振成像 (DCE-MRI) 中精确区分恶性和良性乳腺病变对于有效的患者管理至关重要.
- 深度转移学习 (DTL) 为医疗诊断中的图像分析任务自动化提供了一个有希望的方法.
研究的目的:
- 评估DTL模型的有效性,特别是VGG19,ResNet50和DenseNet201,在DCE-MRI上对乳腺病变进行分类.
- 评估微调策略对表现最佳的DTL模型诊断性能的影响.
主要方法:
- 在DCE-MRI数据集上训练和测试了三个DTL模型 (VGG19,ResNet50,DenseNet201).
- 使用三种策略 (S1-3) 选择了表现最好的模型进行微调.
- 绩效指标包括准确性,精度,回忆,F1分数,AUC和卡帕与病理诊断的一致性.
主要成果:
- 在初步测试中,VGG19与ResNet50和DenseNet201相比表现优越.
- 微调 (S1) 进一步提高了VGG19的精度,回忆,F1分数和AUC.
- 微调的VGG19模型实现了与病理诊断的高一致性 (κ=0.720),优于其他模型.
结论:
- DTL,特别是VGG19模型,在DCE-MRI中有效区分良性和恶性乳腺病变.
- 微调显著提高了DTL模型的诊断能力.
- 这些发现表明,DTL在乳腺病变诊断中具有宝贵的临床应用.
