深度学习模型用于对比增强乳房镜中的背景辅酶增强分类
E Ripaud1, C Jailin1, G I Quintana1
1GE HealthCare, Buc, France.
Physics in medicine and biology
|April 24, 2024
概括
一个新的深度学习工具自动化了对比增强乳房显微镜 (CEM) 上乳房背景对细胞增强 (BPE) 的分类. 这种方法提供了准确和可重复的BPE评估,解决了乳腺癌风险评估中人类解释的局限性.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 乳腺背景辅酶增强 (BPE) 是已知的乳腺癌风险因素.
- 目前对比增强乳房扫描 (CEM) 中的BPE评估依赖于主观放射科医生的解释 (BI-RADS类别),导致变化.
- 对于MRI存在自动化的BPE分类方法,但对于CEM则缺乏.
研究的目的:
- 开发和评估基于深度学习的工具,用于在CEM中自动化BPE级别分类.
- 评估工具的性能,病变的稳定性,并与现有方法进行比较.
主要方法:
- 在7012个CEM图像对 (低能耗和重组) 上训练了一个深度学习模型.
- 模型优化涉及分析图像分辨率,骨干架构和损失函数.
- 使用4类平衡精度和1013图像对数据集的平均绝对误差来评估性能,包括病变存在的分析.
主要成果:
- 优化的模型实现了71.5%的4类平衡精度,相邻类之间的错误率为98.8%.
- 二元分类 (最小/轻度与中度/显著) 达到93.0%的准确性.
- 模型性能显示出对病变存在的稳定性,精度仅略有,不显著下降.
结论:
- 开发的深度学习工具为CEM提供了准确和可重复的BPE分类.
- 这种自动化方法有可能克服主观人类评估的局限性.
- 该工具的性能与CE-MRI报告的方法相美,这标志着CEM的重大进步.
