频谱分析增强网 (SAE-Net) 用于将乳腺病变分类为BI-RADS类别4或更高的乳腺病变
Zhun Xie1, Qizhen Sun1, Jiaqi Han1
1School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing, 100191, China.
Ultrasonics
|July 24, 2024
概括
这项研究介绍了SAE-Net,这是一种深度学习模型,通过结合灰度和射频超声数据来增强乳腺病变的识别. 这种方法提高了分类高等级乳腺病变的准确性,可能减少不必要的活检.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 通过超声波进行早期乳腺癌查,可显著降低死亡率.
- 目前的超声波成像依赖于乳腺成像报告和数据系统 (BI-RADS) 来对病变进行分类.
- 由于灰度超声波成像的局限性,BI-RADS类别4和5需要活检以确定诊断.
研究的目的:
- 开发一个先进的深度学习模型,SAE-Net,以更好地识别高度乳腺病变.
- 整合组织微观结构信息与形态特征,以提高乳腺超声波查的诊断准确性.
主要方法:
- 提出了SAE-Net,这是一个双分支深度学习网络,结合了灰度图像和光谱模式分析.
- 灰度图像分支使用经典的深度学习模型来提取形态特征.
- 光谱图案分支分析超声波无线电频率 (RF) 信号以捕获组织微观结构信息.
主要成果:
- 最好的SAE-Net模型在接收器操作特征曲线 (AUROC) 下实现了12%的更高面积,而不是单个骨干模型.
- 该模型的Youden指数高出19%,表明诊断性能有所改善.
- 实验结果验证了将形态和微观结构特征结合起来用于乳腺病变分类的有效性.
结论:
- 通过整合各种超声波数据,SAE-Net有效地提高了高度乳腺病变的识别.
- 拟议的方法显示了优化乳腺癌查中的活检豁免决策的潜力.
- 这种方法可以提高乳房超声波诊断的诊断效率和患者结果.
