自动评估基于任务的数字乳房影像和断层合成系统的性能,使用人类形状的乳房幻影和基于深度学习的评分

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 传统的数字乳房造 mammography (DM) 和数字乳房断层合成 (DBT) 图像质量指标并不总是与临床任务的性能相关.
• 现有的基于幻影的方法有局限性,包括不现实的背景和主观的人类评分.
• 需要基于任务的客观图像质量评估方法来评估乳房镜像系统的质量.

研究的目的:

• 开发一个客观的,基于任务的方法来评估DM和DBT系统的图像质量.
• 使用现实的乳房幻影与微化和深度学习模型进行自动图像评分.
• 以临床相关的方式评估微化检测性能.

主要方法:

• 使用了一种具有随机氧酸盐微化的人类形状的乳房幻影.
• 在临床系统上获得实验性乳房造影,并用于训练Resnet-18深度学习分类器.
• 接收器操作特征 (ROC) 分析,特别是曲线下的面积 (AUC),用于评估不同剂量水平和探测器分辨率的性能.

主要成果:

• 深度学习分类器表现出高性能,接近理想观察者的性能.
• 微化检测能力因DM和DBT的暴露剂量而有显著变化.
• 该方法成功地区分了不同乳房学系统和检测器分辨率之间的图像质量.

结论:

• 已经提出了一种客观的,基于任务的方法来评估乳房镜像和图片合成图像质量.
• 这种基于深度学习的方法可以用于质量控制,系统优化和评估新技术.
• 该方法有效地追踪在各种条件下微化信号检测能力的差异.