通过将时间变化纳入数字乳腺图解合成的计算机辅助检测改进
Yinhao Ren1, Zisheng Liang1, Jun Ge1
1From the Departments of Biomedical Engineering (Y.R.), Bioinformatics (X.X.), Radiology (D.L.N., J.Y.L., L.J.G.), and Electrical and Computer Engineering and Biomedical Engineering (J.Y.L.), Duke University, 2424 Erwin Rd, Studio #302, Durham, NC 27705; and iCAD Inc, Nashua, NH (Y.R., Z.L., J. Ge, J. Go).
一个新的深度学习算法,PriorNet,通过结合时间信息,在数字乳腺图莫合成中增强乳腺癌检测. 与现有方法相比,这种进步显著提高了识别癌症病变的准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 数字乳腺图解合成 (DBT) 是乳腺癌查的关键成像方式.
- 现有的用于DBT病变检测的深度学习框架可以进一步改进.
- 时间信息,如病变随时间的变化,对于准确的诊断是有价值的.
研究的目的:
- 开发和评估PriorNet,一个深度学习算法,利用时间信息来增强DBT癌症检测.
- 通过整合生长信息来完善恶性瘤概率评估来完善现有框架.
主要方法:
- 从多个机构 (2016-2020年) 进行的DBT选考试的回顾性分析.
- 开发PriorNet作为一个级联深度学习模块,基于单视图检测和双侧视图匹配框架.
- 培训和验证来自七个站点的数据,在第八个站点进行外部测试;使用本地化ROC曲线评估性能.
主要成果:
- 与基线模型 (0.892和0.915) 相比,PriorNet在验证组中获得了更高的AUC (0.931).
- 在外部测试组中,PriorNet表现出优异的性能,AUC为0.896与基线 (0.846和0.865) 相比.
- 在高灵敏度范围 (0.9-1.0) 中,PriorNet显示部分AUC显著更高,这表明真正阳性病例的检测有所改善.
结论:
- PriorNet有效地利用时间信息来显著提高DBT癌症检测框架的性能.
- 该算法通过考虑随时间变化的变化,在区分恶性病变方面表现出更高的准确性.
- 这种深度学习方法为乳腺癌查中的计算机辅助检测提供了有希望的进步.
更多相关视频
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
12:24Computed Tomography-guided Time-domain Diffuse Fluorescence Tomography in Small Animals for Localization of Cancer Biomarkers
Published on: July 17, 2012
