深度转移学习用于检测乳腺动脉化在乳房影像上:一项比较研究

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 心血管疾病研究研究

背景情况:

• 乳腺动脉结 (BAC) 是偶尔的乳房扫描发现,与心血管疾病 (CVD) 风险有关.
• 之前的研究表明,卷积神经网络 (CNN) 在自动化BAC检测方面具有有效性.
• 这项研究比较了11个CNN用于BAC检测,以确定最佳模型.

研究的目的:

• 评估和比较11名预训练CNN在乳房图片上自动检测BAC的表现.
• 为了确定最有效的CNN架构用于BAC分类.
• 评估CNN对女性心血管风险分层的有用性.

主要方法:

• 追溯分析1493名女性的乳房造影,标记为BAC或非BAC.
• 微调11个预训练的CNN (Xception,VGG,ResNetV2,MobileNet,DenseNet) 来进行二进制BAC分类.
• 使用AUC-ROC,F1得分和Grad-CAM ++进行视觉解释的性能评估.

主要成果:

• VGG,MobileNet和DenseNet架构实现了AUC-ROC> 0.70. 这些架构都实现了AUC-ROC> 0.70.
• VGG16获得了最高的测试F1分数,超过了MobileNet和VGG19.
• Grad-CAM++可视化显示了VGG16在定位化区域方面的卓越能力.

结论:

• 深度转移学习是有效的自动化BAC检测在乳房图片.
• 较浅的CNN,如VGG16,表现出卓越的性能和效率.
• 自动化BAC检测可以帮助女性的心血管风险分层.