一个深度学习模型来预测乳房植入物纹理类型使用超声波图像:可行性发展研究研究
Ho Heon Kim1, Won Chan Jeong2, Kyungran Pi3
1Department of Biomedical Informatics, Medical School of Yonsei University, Seoul, Republic of Korea.
JMIR formative research
|November 5, 2024
概括
这项研究表明,深度学习可以从超声波图像中准确地分类乳腺植入物外纹理,有助于诊断乳腺植入物相关的性大细胞淋巴瘤 (BIA-ALCL). 这种方法提供了一个可靠的替代品,用于识别植入物类型,当医疗史是不可用的.
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:
- 纹理乳房植入物与乳房植入物相关的形大细胞淋巴瘤 (BIA-ALCL) 有关.
- 准确识别乳房植入物外纹理对于BIA-ALCL诊断至关重要.
- 目前的方法,如患者召回和超声波,在纹理评估方面存在局限性.
研究的目的:
- 评估深度学习模型的可行性,用于分类乳腺植入物外纹理.
- 评估模型在异质超声波图像上的预测性能.
- 建立一个强大的,定量方法来分析植入物质感.
主要方法:
- 一个深度学习模型 (ResNet-50) 在19502张来自不同来源 (Canon,GE,公共数据集) 的乳房植入物超声图像上进行了训练.
- 模型性能使用分层5倍交叉验证和外部数据集进行了验证.
- 梯度加权类激活映射 (Grad-CAM) 和香农被用于像素贡献分析和预测不确定性评估.
主要成果:
- 深度学习模型实现了高性能,AUROC值从0.909到0.985不等,PRAUC值从0.748到0.958不等.
- 该模型保持了定量验证准确性,即使掩盖了高达90%的贡献较少的像素.
- 预测不确定性在图像组之间有所不同,Canon (0.066) 的预测不确定性最低,而没有植入物的图像 (0.777) 的预测不确定性最高.
结论:
- 深度学习模型可以有效地从超声波图像中预测乳房植入物外纹理.
- 这种人工智能驱动的方法为纹理分类提供了定量方法.
- 这些发现支持使用深度学习作为BIA-ALCL的初步诊断工具.
更多相关视频
10:59Reconstruction of 3-Dimensional Histology Volume and its Application to Study Mouse Mammary Glands
Published on: July 26, 2014
14.4K
08:36Ultrasound Imaging-guided Intracardiac Injection to Develop a Mouse Model of Breast Cancer Brain Metastases Followed by Longitudinal MRI
Published on: March 6, 2014
18.8K
