利用伪彩色图像来提高基于深度转移学习的计算机辅助诊断方案在乳腺质量分类中的性能
Meredith A Jones1, Ke Zhang1, Rowzat Faiz2
1Stephenson School of Biomedical Engineering, University of Oklahoma, Norman, OK, 73019, USA.
Journal of imaging informatics in medicine
|October 25, 2024
概括
这项研究通过使用来自乳房影像的形态信息来增强乳房病变的分类. 将细分质量轮纳入深度学习模型可以显著提高可疑乳腺病变的诊断准确性.
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:
- 深度转移学习模型在图像分类方面表现出色,但需要三通道输入,这对灰度乳房镜来说是一个挑战.
- 目前用于乳房扫描的计算机辅助诊断 (CADx) 方案可以通过结合详细的病变形态来改进.
研究的目的:
- 开发一种新的伪色图像生成方法,使用质量轮信息来改善乳腺病变的分类.
- 调查形态信息对深度转移学习模型的性能的影响,用于乳房图分析.
主要方法:
- 追溯收集了830例乳腺癌病例 (310例良性,520例恶性).
- 来自灰度乳房影像的七个伪色图像集的生成,包括原始,直方图等级,双边过和细分的质量图像.
- 来自四个预训练的深度学习模型的特征的结合,然后使用支持向量机进行分类.
主要成果:
- 包含手动分割质量的伪彩色图像集显著优于其他集.
- 实现了ROC曲线下的面积 (AUC) 为0.889 ± 0.012和整体精度为0.816 ± 0.020的细分质量轮.
- 性能改善与质量细分的准确性直接相关.
结论:
- 精确细分乳腺损伤轮提供了补充信息,这对于提高深度转移学习模型性能至关重要.
- 拟议的伪色图像生成方法有效地利用形态数据来改善可疑乳腺病变的分类.
