AMS-U-Net:通过U-Net进行数字乳腺图解合成的自动质量细分
Ahmad Qasem1, Genggeng Qin2, Zhiguo Zhou1,3
1University of Kansas Medical Center, The Reliable Intelligence and Medical Innovation Laboratory (RIMI Lab), Department of Biostatistics & Data Science, Kansas City, Kansas, United States.
Journal of medical imaging (Bellingham, Wash.)
|March 25, 2024
概括
一种新的自动化方法,AMS-U-Net,在数字乳腺图解 (DBT) 图像中准确地细分乳腺质量. 这种人工智能驱动的方法通过减少手工工作量来提高乳腺癌查的效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 数字乳腺图莫合成 (DBT) 对于乳腺癌查至关重要.
- 增加DBT切片数量会增加质量轮工作量,降低效率.
- 需要自动化细分方法来应对这些挑战.
研究的目的:
- 开发AMS-U-Net,用于DBT的全自动质量细分方法.
- 提高使用DBT进行乳腺癌查的效率和准确性.
主要方法:
- 该研究采用了四个阶段的方法:预处理,AMS-U-Net培训,细分和后处理.
- 在50个DBT切片上评估了性能,使用了诸如真正比率 (TPR),假正比率 (FPR),F-score,交叉点 (IoU) 和95%的豪斯多夫距离等指标.
- 该模型的设计是为了处理医学成像数据集中固有的阶级不平衡.
主要成果:
- AMS-U-Net模型实现了0.911的TPR,0.003的FPR,0.911的F-score,0.900的IOU,以及5.82像素的95%的豪斯多夫距离.
- 这些定量结果表明,质量细分的准确性很高.
结论:
- 在没有人工干预的情况下,AMS-U-Net从DBT图像中对乳房质量进行细分的准确度很高.
- 自动化方法显示了提高乳腺癌查临床效率和工作流程的巨大潜力.
- 这项技术可以简化DBT扫描的解释,从而更快地进行诊断.
