使用U-Net卷积神经网络在乳房镜中自动检测术后剪辑
Tician Schnitzler1, Carlotta Ruppert2, Patryk Hejduk2
1Institute of Radiology, Cantonal Hospital Aarau, 5001 Aarau, Switzerland.
Journal of imaging
|June 26, 2024
概括
使用U-Net深层卷积神经网络 (dCNN) 的AI技术可以在乳房保护手术 (BCS) 后准确地检测乳房镜中的手术剪辑. 这种人工智能显示了与放射科医生达成的大量协议,有助于质量管理.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 乳腺保护手术 (BCS) 后的手术剪辑标记了瘤床,表明潜在的复发区域.
- 准确识别这些剪辑对于有效的后续成像和患者管理至关重要.
研究的目的:
- 评估基于U-Net的深卷积神经网络 (dCNN) 在检测BCS后的随访乳房图片上的外科剪辑的有效性.
- 为了比较人工智能的表现与人类读者在识别这些手术标记的表现.
主要方法:
- 一个U-Net dCNN在含有手术剪辑和化的乳房影像和图解合成图像的数据集上接受了培训和验证.
- 经验丰富的放射科医生对外部测试组进行了注释,并使用准确性和评分器间协议 (科恩卡帕) 评估了AI的性能.
主要成果:
- 人工智能模型在验证集上实现了88.2%至92.6%的分类准确度,与人类阅读器相当.
- 人工智能与放射科医生达成实质性一致 (科恩卡帕:0.72-0.78),而放射科医生达成近乎完美的一致 (0.84).
- 对于被误认为是剪片的化物,观察到的错误分类率为17.4%.
结论:
- 人工智能技术,特别是U-Net dCNNs,可以有效地识别BCS后的乳房镜中的外科剪辑.
- 这种人工智能应用程序有可能改善患者分拣和自动化质量管理工作流程,例如PGMI评估.
