基于自动化乳腺体体积扫描仪图像的多视图深度学习网络,用于在BI-RADS 4中识别乳腺癌
1Department of Ultrasound, The Affiliated Hospital of Southwest Medical University, Sichuan, China.
Frontiers in oncology
|September 23, 2024
概括
一个深度学习系统在自动乳房超声波系统 (ABVS) 图像中自动细分和分类BI-RADS 4病变. 这种人工智能工具可以准确地区分良性病变和恶性病变,提高诊断性能.
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:
- 乳房成像在检测和分类病变方面发挥着至关重要的作用.
- BI-RADS 4病变需要准确地区分良性和恶性病例.
- 自动乳房超声波系统 (ABVS) 提供了一个标准化的成像模式.
研究的目的:
- 开发和验证一个深度学习 (DL) 系统,使用ABVS进行BI-RADS 4病变的自动细分和分类.
- 评估系统区分良性和恶性病变的能力.
- 为了比较不同DL架构和ABVS成像视图的性能.
主要方法:
- 开发了一个两阶段的DL框架,包括细分和分类模块.
- 该系统处理了预处理的ABVS图像以进行病变细分.
- 分类模型提取了用于预测恶性瘤概率的特征,在多视图图像上比较Inception-v3,ResNet 50和MobileNet.
主要成果:
- DL模型实现了高细分性能,Dice系数,精度和回忆分别为0.817,0.903和0.886.
- 性能最好的模型,使用Inception-v3的多视图DL方法,显示AUC为0.949.
- 该模型在独立测试组中获得了82.14%的灵敏度,95.56%的特异性,92.00%的PPV和89.58%的NPV.
结论:
- 一个多视图深度学习模型有效地使BI-RADS 4病变在ABVS图像中的自动细分和分类成为可能.
- 开发的系统显示了提高乳腺损伤诊断的准确性和效率的巨大潜力.
- 这种人工智能驱动的方法可以帮助放射科医生更好地描述BI-RADS 4病变.


