深度学习模型的能力和可靠性,以对低剂量乳房造影进行密度预测
Steven Squires1, Alistair Mackenzie2, Dafydd Gareth Evans3
1University of Manchester, School of Health Sciences, Division of Imaging, Informatics and Data Sciences, Faculty of Biology, Medicine and Health, Manchester, United Kingdom.
Journal of medical imaging (Bellingham, Wash.)
|August 8, 2024
概括
深度学习模型可以从低剂量乳房影像中可靠地估计乳房密度,与标准剂量图像相比. 这使得更年轻的女性能够准确地评估癌症风险,尽管对于更小或更密集的乳房来说,性能降低了.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 乳腺密度是评估癌症风险的一个关键因素.
- 数字造乳镜和深度学习模型用于自动密度估计.
- 低剂量乳房扫描提供了潜在的好处,特别是对于年轻女性,但其用于密度估计的实用性需要评估.
研究的目的:
- 评估深度学习模型的容量和可靠性,以从低剂量乳房造影中预测乳房密度.
- 评估使用低剂量乳房扫描对年轻女性癌症风险估计的可行性.
- 分析影响低剂量乳房图谱密度预测准确性的因素.
主要方法:
- 深度学习模型被训练在标准剂量和模拟低剂量乳房影像上.
- 模型的性能在一个数据集上进行了测试,其中配对了标准和低剂量图像.
- 分析了诸如年龄,乳腺密度和剂量比等因素对预测准确性的影响,以及改善性能的方法.
主要成果:
- 深度学习模型展示了可靠的乳腺密度预测从低剂量乳房影像,与标准剂量图像相比.
- 乳房区域显著影响预测准确性;较大的乳房与较小的乳房 (0.882) 之间观察到更高的相关性 (0.985).
- 在不同视图 (CC-MLO) 和多个模型培训中平均预测提高了性能.
结论:
- 低剂量乳房造影是产生乳房密度和癌症风险估计的可行工具,与标准剂量成像相比.
- 平均化技术可以提高深度学习模型对乳腺密度的预测性能.
- 在更密集和更小的乳房的情况下,密度预测的模型准确性降低了.
