乳房DCE-MRI图像非质量的计算机化细分方法使用ResUNet++与切片序列学习和跨相卷积
Akiyoshi Hizukuri1, Ryohei Nakayama2, Mariko Goto3
1Department of Electronic and Computer Engineering, Ritsumeikan University, 1-1-1 Noji-Higashi, Kusatsu, Shiga, 525-8577, Japan. hizukuri@fc.ritsumei.ac.jp.
Journal of imaging informatics in medicine
|March 5, 2024
概括
使用ResUNet++和十字相卷积的新计算机化方法在乳腺MRI扫描中准确地细分非质量. 这种方法增强了检测和形状分析,以改善差异诊断.
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:
- 在动态对比增强磁共振成像 (DCE-MRI) 中,准确的非质量细分对于乳腺癌诊断至关重要.
- 现有的细分方法往往难以有效利用多相DCE-MRI中存在的时间信息.
- 开发先进的计算工具对于提高非质量分析的准确性和效率至关重要.
研究的目的:
- 开发和评估一种新的计算机化细分方法,用于乳房DCE-MRI中的非质量.
- 将时间信息分析纳入使用切片序列学习和跨相卷积.
- 为了提高非质量检测和形状表征的准确性.
主要方法:
- 使用ResUNet++架构,增强了切片序列学习和跨相卷积.
- 通过从不同MRI阶段的顺序ROI切片图像中创建3D张量器来捕获时间信息.
- 在解码器中集成了一个卷积式长期短期记忆层,用于分析图像序列.
主要成果:
- 拟议的方法实现了平均90.5%的非质量检测精度.
- 性能指标包括Jaccard系数 (0.563),子相似系数 (0.712),正预测值 (0.714) 和灵敏度 (0.727) 超过了3D U-Net,V-Net和nnFormer的性能指标.
- 该方法表现出高的检测和形状准确性,平均1.91个假阳性.
结论:
- 开发的基于ResUNet++的方法通过利用时间信息,有效地对DCE-MRI中的非质量进行细分.
- 跨相卷积和卷积LSTM的集成显著提高了细分性能.
- 这种技术在临床实践中显示出有助于对非质量的差异诊断的前景.
