下方样本大小和解释方法对乳腺癌深度学习模型诊断准确性的影响使用数字乳腺图解图像
Ryusei Inamori1, Tomofumi Kaneno1, Ken Oba2
1Tohoku University Graduate School of Medicine, Department of Clinical Imaging.
The Tohoku journal of experimental medicine
|July 24, 2024
概括
图像下采样和插值方法显著影响深度学习模型的准确性,用于使用数字乳腺图解合成 (DBT) 诊断乳腺癌. 仔细的选择对于可靠的诊断性能至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 深度学习 (DL) 模型显示了通过数字乳腺图莫合成 (DBT) 来诊断乳腺癌的潜力.
- 不同的图像矩阵大小和插值技术对DBT中DL诊断精度的影响尚不清楚.
- 优化预处理是有效DL模型训练和改进诊断结果的关键.
研究的目的:
- 调查不同矩阵大小和图像插值方法对使用DBT图像检测乳腺癌的DL模型诊断准确性的影响.
- 确定最佳的预处理策略,以提高DL模型在DBT分析中的性能.
主要方法:
- 一项回顾性研究包括499名接受DBT的患者.
- 图像被缩小到各种矩阵大小 (256x256,128x128,64x64,32x32) 使用五种插值方法:最近 (NN),双线 (BL),双立方 (BC),哈明 (HM) 和兰佐斯 (LC).
- 用曲线下的面积 (AUC) 来评估诊断准确性,使用95%的置信区间 (CI).
主要成果:
- 与Lanczos (LC) 的256x256和128x128的Lanczos (LC) 和128x128的Hamming (HM) 和LC插值相比,与原始的512x512图像相比,AUC显著降低.
- 所有的插值方法都导致64x64和32x32下方样本图像的AUC显著下降.
- 下调样本大小和插值方法的选择极大地影响了DL模型的诊断性能.
结论:
- 图像下采样矩阵大小和插值方法显著影响DBT中DL模型的诊断准确性.
- 了解这些影响对于优化预处理步骤至关重要,以提高AI驱动的乳腺癌诊断的可靠性和准确性.
- 对最佳预处理参数的进一步研究可以提高DL在医学成像中的计算效率和临床实用性.
