一个开放的代码库,以提高基于深度学习的乳腺癌诊断的透明度,利用CBIS-DDSM数据

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌诊断的挑战包括不透明的数据集和不可访问的代码,阻碍研究复制.
• 像CBIS-DDSM这样的公开可用的乳房学数据集至关重要,但需要标准化的处理管道.
• 在计算机辅助诊断方面缺乏可复制的研究,阻碍了乳腺癌检测的进步.

研究的目的:

• 为乳腺癌诊断中的整个机器学习管道提供一个全面的开源代码库.
• 通过提供一个透明的模型开发和评估方法来解决可重复性危机.
• 为了提高恶性病例检测的准确性,使用对乳房扫描数据的机器学习.

主要方法:

• 使用了选乳腺成像数据库的数字数据库查乳房扫描 (CBIS-DDSM) 质量子集的精选乳房成像子集.
• 开发了一个用于图像预处理,模型开发和评估的试点代码库.
• 研究了不同输入图像大小对模型性能的影响.

主要成果:

• 证明增加输入图像大小与恶性病例检测精度的提高具有积极的相关性.
• 成功创建了一个可重复的端到端管道,从数据预处理到模型评估.
• 开发的代码库有助于整合乳腺癌诊断的新进展.

结论:

• 提供的代码库和方法提高了计算机辅助乳腺癌诊断的可重现性.
• 增加输入大小是提高恶性检测模型准确性的关键因素.
• 这项工作旨在通过开放访问和可重复的研究加速乳腺癌诊断的全球软件开发.