使用深度学习的低剂量和标准剂量乳房造影来预测乳房密度:图像分辨率和模型训练方法对预测质量的影响

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
• 在瘤学瘤学.

背景情况:

• 乳腺扫描密度是一个关键的乳腺癌风险因素.
• 低剂量乳房造影的目的是减少辐射暴露.
• 准确的乳房扫描密度评估对于风险预测至关重要.

研究的目的:

• 开发和评估深度学习方法,用于从低剂量乳房影像中估计乳房扫描密度.
• 评估图像分辨率和模型培训对预测质量的影响.
• 提高使用低剂量成像的年轻女性的乳腺癌风险预测.

主要方法:

• 开发并测试了深度学习模型 (特征提取和端到端) 在5个分辨率的15290个标准和模拟低剂量乳房造影仪上.
• 在296个匹配的标准和真实低剂量乳房影像上验证了模型.
• 研究图像分辨率和培训对预测可靠性的影响.

主要成果:

• 深度学习模型在标准和模拟的低剂量图像上实现了类似的预测质量.
• 增加图像分辨率提高了特征提取方法的性能.
• 在标准和低剂量预测之间观察到的高相关性 (斯皮尔曼的rho ≈ 0.95),随着平均预测的增加而增加.

结论:

• 深度学习提供了可靠的,高质量的乳房图密度预测从低剂量乳房图.
• 这些由人工智能驱动的预测与各种分辨率的标准剂量等价物有很强的相关性.
• 这些发现支持使用低剂量乳房显微镜与深度学习来改善乳腺癌风险评估.