使用多序乳房MRI融合放射学和深度学习模型对良性和恶性乳腺病变的分类研究
Wenjiang Wang1, Jiaojiao Li2, Zimeng Wang1
1Graduate Faculty, Hebei North University, Zhangjiakou, Hebei, China.
European journal of radiology open
|November 6, 2024
概括
这项研究开发了一种使用乳腺MRI数据来分类乳腺病变的多模式深度学习模型. 融合放射学和深度学习方法的结合显著提高了区分良性和恶性瘤的诊断准确性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确的乳腺病变分类对于有效的治疗计划至关重要.
- 多次序乳房MRI为病变的特征提供了全面的信息.
- 整合放射学和深度学习为增强诊断性能提供了潜力.
研究的目的:
- 开发和评估一个结合多序乳腺MRI融合放射学和深度学习的多模式模型.
- 为了分类良性和恶性乳腺病变.
- 帮助临床医生选择最佳的治疗计划.
主要方法:
- 总共分析了314名患者的乳腺MRI数据 (T1WI,T2WI,DCE-MRI).
- 使用ResNet50进行MRI序列的特征提取和融合.
- 放射性特征与深度学习模型相结合用于分类.
主要成果:
- 集成DCE-T1_T2放射学和深度学习的多式模式 (DCE_T1_T2_rad) 实现了0.98.9的AUC.
- 这种模型在统计学上显著改善 (P<0.05) 于使用单个序列或组合序列而没有放射学的模型.
- 其他模型显示AUC在0.53 (T1) 到0.94 (DCE_T1_T2) 之间.
结论:
- 结合多序乳腺MRI融合放射学和深度学习的多模式方法有效地提高了乳腺损伤分类的诊断性能.
- 这种综合模型在提高区分良性与恶性乳腺病变的准确性方面显示出前景.
- 这些发现支持先进的AI模型在乳腺癌诊断中的临床实用性.
