深度学习用于计算机辅助的数字乳房造影异常分类:以数据为中心的视角

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:

• 乳腺癌是女性癌症的主要原因,通过乳房扫描早期检测可以提高存活率.
• 深度学习 (DL) 模型需要不同的数据集来准确的自主乳腺癌诊断.
• 公共乳房造影数据集的有限可用性阻碍了DL模型开发和比较分析.

研究的目的:

• 为了全面描述和审查目前可用的公共乳房造 mammography 数据集.
• 为乳腺癌研究人员和从业人员提供一个有价值的资源DL.
• 促进开发和评估更有效的DL模型用于乳腺癌检测.

主要方法:

• 对公开可访问的乳房学数据集进行系统审查和描述.
• 分析数据集特征和可用于DL模型培训的可用性.
• 关于现有的公共乳房造影数据集信息的总结.

主要成果:

• 描述了一组精选的公共乳房学数据集.
• 审查了这些数据集在DL应用中的可用性.
• 确定了DL模型数据集可用性和可比性方面的挑战.

结论:

• 公共的乳房造影数据集对于推动乳腺癌诊断中的DL至关重要.
• 这项工作通过整合可用的数据集信息来弥合知识差距.
• 更好地理解和利用这些数据集将加强DL模型的开发和验证.