用卷积神经网络对乳腺瘤的多特征融合超声波图像进行分类,属于第4类
Pengfei Xu1, Jing Zhao2, Mingxi Wan1
1Department of Biomedical Engineering, Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University, Xi'an, China.
Medical physics
|March 4, 2024
概括
这项研究利用卷积神经网络 (CNN) 和超声图像的多特征融合来改善 BI-RADS 4 类别的乳腺瘤分类. 这种方法提高了诊断准确度,显示了减少乳腺癌查虚假阳性病例的潜力.
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:
- 乳腺癌仍然是一个重大的健康威胁,超声波 (美国) 是主要的诊断工具.
- 乳腺成像报告和数据系统 (BI-RADS) 类别4呈现出高错误阳性率 (约. 30%),需要改进的分类方法.
- 准确地对BI-RADS第四类乳腺瘤进行分类是具有挑战性的,而且还没有得到充分的研究.
研究的目的:
- 使用卷积神经网络 (CNN) 用B模式超声图像将乳腺瘤分类为BI-RADS类别4.
- 为了减轻操作员的依赖和超声波成像固有的工件.
- 通过整合超声波图像的形态和纹理特征来提高分类准确性.
主要方法:
- 一个数据集由1385个B模式的美国BI-RADS类别4图像进行了策划,包括882个恶性和503个良性瘤.
- 通过将原始B模式图像与K介质集群和图像相结合,创建了多功能融合图像.
- 包括DenseNet和ResNet在内的11个CNN模型在一个分为培训 (969),验证 (277) 和测试 (139) 的数据集上使用转移学习进行了评估. 使用准确度,精度,回忆,F1得分和AUC来评估性能.
主要成果:
- 在使用多特征融合图像的CNN模型中,DenseNet121获得了最高的精度 (80.22% ± 1.45%) 和AUC (0.82 ± 0.01).
- 与仅使用原始B模式图像相比,多功能融合提高了DenseNet121的精度1.87%, (p < 0.05).
- 统计测试 (沙皮罗-威尔克,德龙,独立的t测试) 证实了结果的意义.
结论:
- 与多功能融合相结合的CNN显示出在BI-RADS第四类乳腺瘤分类中降低错误阳性率的巨大潜力.
- 这种方法提高了使用超声波成像来诊断4类乳腺瘤的准确性和精度.
- 该研究强调了整合各种图像特征的有效性,以提高AI驱动的医疗成像诊断性能.
