损伤注意力引导神经网络用于对比增强的乳房镜基于乳腺癌中的生物标志物状态预测
Nini Qian1, Wei Jiang2, Xiaoqian Wu3
1Department of Biomedical Engineering, Medical School, Tianjin University, Tianjin 300072, China; State Key Laboratory of Advanced Medical Materials and Devices, Tianjin University, Tianjin, China.
Computer methods and programs in biomedicine
|April 28, 2024
概括
这项研究引入了一种新的神经网络来分析对比度增强的乳房造 mammography (CEM) 图像,以非侵入性地预测乳腺癌生物标志物Ki-67和HER2. 这种方法对改善癌症诊断和治疗规划充满希望.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 准确识别分子生物标志物对于乳腺癌管理至关重要.
- 医学成像提供了一种非侵入性的方法来预测生物标志物状态.
- 增强对比度的乳房造影 (CEM) 是乳腺癌检测的关键成像方式.
研究的目的:
- 开发一个神经网络,从CEM图像中提取生物标记器相关特征.
- 评估CEM在非侵入性预测乳腺癌生物标志物状态方面的潜力.
主要方法:
- 一个端到端的卷积神经网络被设计用于从CEM图像中提取特征.
- 基于视觉变压器的分段网络与交叉注意力被用于自动损伤识别.
- 使用随机森林分类来预测生物标志物状况,使用选定的特征.
主要成果:
- 建议的损伤注意力引导网络的性能优于没有损伤注意力的方法.
- 在预测Ki-67状态时达到0.71的AUC.
- 在预测人类表皮生长因子受体2 (HER2) 状态时达到0.73的AUC.
结论:
- 一个新的损伤注意力引导神经网络有效地提取CEM图像特征用于生物标志物预测.
- CEM显示出对乳腺癌生物标志物状态的非侵入性预测具有重大潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
48.0K