通过使用深度学习的数字乳腺图莫合成来评估乳腺癌瘤的边缘:初步评估
Wei-Chung Shia1,2, Yu-Hsun Kuo3, Fang-Rong Hsu3
1Molecular Medicine Laboratory, Department of Research, Changhua Christian Hospital, Changhua 500, Taiwan.
Diagnostics (Basel, Switzerland)
|May 24, 2024
概括
这项研究使用深度学习和数字乳腺图解合成来准确评估手术期间的乳腺瘤边缘,可能减少重复手术. 这种由人工智能驱动的图像细分为外科医生提供实时洞察力.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确评估瘤边缘对于成功的乳腺癌手术和避免重复手术至关重要.
- 当前的利率评估方法耗时,需要专业技能,并且往往缺乏实时反.
- 数字乳腺图解 (DBT) 提供详细的乳腺组织成像,使先进的分析.
研究的目的:
- 开发和评估一种基于深度学习的图像细分方法,用于在手术期间评估乳腺瘤边缘.
- 为了利用DBT成像进行实时瘤边缘评估.
- 通过提供及时的边缘信息来改善外科手术结果.
主要方法:
- 利用了46名乳腺保护手术患者的术后组织样本.
- 使用数字乳腺图片合成 (DBT) 生成的图像集.
- 训练并评估用于图像细分和瘤边缘评估的深度学习模型.
主要成果:
- 深度学习模型在识别瘤区域方面取得了高精度.
- 培训数据集: 整个欧盟的平均交叉点 (MIoU) 0.91,整体准确率99%,F1得分89%.
- 测试数据集:MIoU 83%,总准确率97%,F1得分76%,显示出强大的性能.
结论:
- 基于深度学习的图像细分精确地测量了乳腺瘤边缘.
- 这种方法为外科医生提供了关键的手术内信息.
- 该方法适用于评估各种瘤类型的外科手术边缘.
