通过利用基于Cycle-GAN的病变去除剂来改善乳房扫描中的病变检测

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 乳腺病变的外观有所变化,挑战自动检测算法.
• 计算机辅助检测 (CAD) 系统用于乳房造影需要增强.

研究的目的:

• 开发一个损伤突出显示器 (LH),以提高用于乳腺癌检测的CAD性能.
• 评估基于循环GAN的损伤去除剂 (LR) 作为有效的LH.

主要方法:

• 利用了4,832名妇女的10,310次查性乳房造影.
• 训练了一个Cycle-GAN来创建一个LR,它可以改变病变的外观以模仿正常组织.
• 采用了ResNet18,DenseNet201,EfficientNetV2和视觉转换器架构进行检测.
• 使用原始 (基线),突出显示 (突出显示) 和组合数据集进行检测性能比较.

主要成果:

• 综合深度网络实现了曲线下的面积 (AUC) 值从0.963到0.974.
• 这些结果显示了比基线版本 (AUC 0.914到0.967) 的统计学上显著的改善 (p < 0.001).

结论:

• 一个基于Cycle-GAN的损伤去除剂有效地提高了损伤的明显性.
• 这种增强导致乳腺癌检测算法的性能提高.