基于深度学习的计算机辅助检测系统在3D体积医学图像中发现小信号的更大好处
Devi S Klein1, Srijita Karmakar1, Aditya Jonnalagadda2
1University of California, Department of Psychological and Brain Sciences, Santa Barbara, California, United States.
Journal of medical imaging (Bellingham, Wash.)
|July 11, 2024
概括
计算机辅助检测 (CADe) 系统增强了放射科医生在3D成像中的搜索. 基于卷积神经网络的CADe显著改善了3D扫描中小信号的检测,减少了错误.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在放射学中的应用.
- 计算机视觉应用程序的应用程序
背景情况:
- 放射科医生在大型3D体积数据集中检测小信号时面临着挑战.
- 由于在3D搜索过程中难以发现视觉外围的微妙发现,可能会发生感知错误.
- 机器学习和计算机视觉通过计算机辅助检测 (CADe) 系统提供了潜在的解决方案.
研究的目的:
- 评估基于卷积神经网络 (CNN) 的CADe系统在协助放射科医生的有效性.
- 为了比较3D和2D搜索策略的性能,有或没有CADe支持.
- 研究CADe对检测小微化和大质量信号的影响.
主要方法:
- 十六名非专家观察员搜索了数字乳腺图解合成 (DBT) 幻象和切片.
- 搜索在3D和2D视图中进行,有或没有基于CNN的CADe.
- 记录了眼睛的目光数据,并与检测性能相关联 (ROC曲线下的面积 - AUC).
主要成果:
- CNN-CADe改进了对小微化信号的3D搜索和对大质量信号的2D搜索.
- 对小信号的CNN-CADe的好处在3D搜索中明显大于2D搜索.
- 眼睛探索较少的观察者从CNN-CADe中受益最多,特别是对于小信号.
结论:
- 对于小信号的3D搜索,CNN-CADe提供了明显的优势,减轻了数据不足的错误.
- 该系统通过引导注意力和减少体积数据中错过的发现来提高检测性能.
- 在复杂的3D成像中,CADe有望提高放射学解释的准确性和效率.
