结合放射学和自动编码器,在美国图像上区分良性和恶性乳腺瘤
Zuzanna Anna Magnuska1, Rijo Roy1, Moritz Palmowski1
1From the Institute for Experimental Molecular Imaging (Z.A.M., R.R., M.P., V.S., F.K.), Institute of Pathology (P.B.), and Department of Obstetrics and Gynecology (M.K., B.S.W., T.P., K.K., E.S.), University Clinic Aachen, RWTH Aachen University, Forckenbeckstrasse 55, 52074 Aachen, Germany; Physics Institute III B, RWTH Aachen University, Aachen, Germany (V.S.); Comprehensive Diagnostic Center Aachen, Uniklinik RWTH Aachen, Aachen, Germany (P.B., V.S., E.S., F.K.); and Fraunhofer Institute for Digital Medicine MEVIS, Bremen, Germany (P.B., V.S., F.K.).
这项研究开发了一种精确,实时的超声波 (美国) 乳腺瘤分类系统. 结合放射学和自动编码器功能,人工智能模型实现了高精度,匹配人类读者,以改善乳腺癌诊断.
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:
- 超声波 (美国) 是一个关键的乳房成像工具,但它的准确性严重依赖于操作员的专业知识.
- 计算机辅助实时图像分析提供了一种解决方案,可以提高诊断性能,克服操作员的依赖.
研究的目的:
- 为了创建一个精确的,实时的能力,以美国为基础的乳腺瘤分类系统.
- 整合经典的放射学和基于自动编码器的自动定位病变特征,以改善分类.
主要方法:
- 对1619张美国B模式乳腺瘤图像进行了回顾性分析.
- 利用nnU-Net进行精确的病变细分.
- 从细分的病变和边界框中提取和结合经典的放射学和自编码器特征.
- 训练有素的机器学习算法用于瘤分类,使用AUC,灵敏度和特异性进行评估.
主要成果:
- nnU-Net在病变细分方面表现出高精度和可重复性 (中位数为0.90).
- 最好的模型使用23个混合特征,实现AUC为0.90,灵敏度为81%,特异性为87%.
- 与人类读者或组织病理学诊断相比,模型性能没有显著差异.
结论:
- 一个精确的实时基于美国的乳腺瘤分类系统已成功开发.
- 该系统有效地结合了传统的放射学和来自瘤界限框的基于自动编码器的功能.
- 这种人工智能驱动的方法有可能提高乳腺成像诊断的准确性.
更多相关视频
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
