使用临床特征和图形卷积网络的乳房超声波图像的恶性病变模式分析
Sidratul Montaha1, Sami Azam2, Md Rahad Islam Bhuiyan2
1Department of Computer Science, University of Calgary, Calgary, Canada.
Digital health
|May 31, 2024
概括
这项研究引入了使用临床标记和图形卷积网络 (GCN) 进行乳腺癌分类的自动化系统. 该GCN模型实现了98.73%的准确性,证明了其在早期诊断乳腺癌方面的潜力.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 早期诊断乳腺癌对于有效治疗和改善生存率至关重要.
- 自动化系统可以帮助放射科医生分析复杂的临床标记.
- 放射科医生识别的特征是开发准确诊断工具的关键.
研究的目的:
- 开发一种使用临床标记器的自动乳腺癌分类系统.
- 为了利用图形卷积网络 (GCNs) 来进行瘤分类.
- 评估系统的性能与已建立的机器学习模型对比.
主要方法:
- 用临床标记 (瘤形状,方向,边缘,周围组织) 来生成图形结构.
- 用皮尔森的相关性方法来定义特征节点之间的边缘.
- 一个GCN模型被训练并优化为乳腺瘤的二元分类 (良性与恶性).
主要成果:
- 拟议的GCN模型实现了98.73%的测试准确性.
- 在三个外部超声波数据集上验证了性能,准确度从89.62%到94.37%不等.
- GCN模型的表现优于各种比较模型,包括CNN,转移学习和整体方法.
结论:
- GCN模型显示了自动化,基于特征的乳腺癌分类的重大前景.
- 该方法强调了诊断系统中临床相关特征的重要性.
- 这种自动化系统可以支持放射科医生在早期和准确的乳腺癌检测.
