相关实验视频
Updated: Jun 19, 2025
05:44
Ultrasonographic Evaluation of Breast Cancer-related Lymphedema
Published on: January 12, 2017
10.0K
基于超声波的深度学习放射学诺米克图,用于区分大规模乳腺炎与侵袭性乳腺癌
Linyong Wu1, Songhua Li1, Chaojun Wu1
1Department of Medical Ultrasound, Maoming People's Hospital, Maoming, 525011, Guangdong, P. R. China.
BMC medical imaging
|July 26, 2024
概括
一种新的深度学习放射学名图 (DLRN) 能够有效地使用超声波来区分大规模乳腺炎 (MM) 和侵入性乳腺癌 (IBC). 这种人工智能工具可以提高诊断准确度,帮助临床决策,减少误诊.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 区分大规模乳腺炎 (MM) 和侵入性乳腺癌 (IBC) 对于适当的患者管理至关重要.
- 超声波是主要的成像方式,但区分MM和IBC可能是具有挑战性的.
研究的目的:
- 开发和验证使用超声波特征的深度学习放射学名图 (DLRN),以区分MM与IBC.
- 评估DLRN在改善诊断准确性的临床实用性.
主要方法:
- 从MM和IBC病例的超声波图像中提取了放射学和深度学习特征.
- 使用了监督 (逻辑回归,随机森林,SVM) 和无监督 (K-means) 机器学习方法.
- 该DLRN模型是使用接收器操作特征曲线,校准和临床实用性评估来开发和验证的.
主要成果:
- 深度学习模型在区分MM和IBC方面表现优于传统的放射学模型.
- 在验证队列中,DLRN表现出卓越的区分能力,AUC为0.90.
- 无监督学习证实了MM和IBC之间明显的特征异质,表明MM的独特表型.
结论:
- 在区分MM和IBC方面,DLRN显示了临床应用的巨大潜力.
- 通过量化图像信息,DLRN克服了视觉限制,增强了基于机器学习的临床决策.
- 实施DLRN可以提高MM的识别率,减少误诊,并优化治疗策略.
