基于深度学习的乳腺区域细分在原始和加工的数字乳房造影:跨视图和供应商的概括

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 数字造乳镜对于乳腺癌查至关重要.
• 精确的乳房影像细分对于可靠的分析至关重要.
• 现有的方法可能会在图像采集系统和视图的变化中扎.

研究的目的:

• 开发数字乳房影像 (DMs) 的通用细分方法.
• 该方法是为原始和加工的DMs设计的.
• 为了确保在不同供应商和标准选视图之间进行概括.

主要方法:

• 一个U-Net模型被训练用于细分.
• 培训数据包括来自多个供应商的屏幕膜乳房影像 (SFMs) 和DM.
• 实验涉及处理图像,原始图像和供应商特定测试的培训.

主要成果:

• 该模型在数据集,视图和供应商之间实现了良好的整体性能.
• 在培训中包括原始图像,提高了原始DM的细分精度.
• 供应商通用化测试显示,当供应商在培训期间被排除在外时,性能降低最小.

结论:

• 开发的细分方法为原始和加工的乳房影像提供了准确的结果.
• 该方法独立于视图和供应商,提高了其临床适用性.
• 代码和模型权重是公开的,以促进研究和开发.