预测乳腺病变中的恶性瘤:通过微调的卷积神经网络模型提高准确性

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确预测乳腺癌恶性瘤对于有效的患者管理至关重要.
• 动态对比增强乳腺磁共振成像 (DCE-BMRI) 是乳腺损伤特征的关键成像方式.
• 卷积神经网络 (CNN) 模型为医疗图像的自动分析提供了潜力.

研究的目的:

• 在DCE-BMRI上评估各种CNN模型在区分恶性和良性乳腺病变方面的准确性.
• 确定最佳的CNN架构来预测乳房MRI中的恶性瘤.
• 评估不同BI-RADS类别的CNN模型的性能.

主要方法:

• 547种病变 (273种良性,274种恶性) 的数据集被分为训练,测试和验证集.
• 评估了五种已建立的CNN模型 (VGG16,VGG19,DenseNet201,ResNet50,MobileNetV2).这些模型包括:
• 开发了一种新的S4模型,并与五种标准模型进行比较,使用准确度,精度,回忆,F1得分和AUC等指标.

主要成果:

• 在标准模型中,VGG19型号在测试组中获得了最高的精度 (0.96).
• 拟议的S4模型在验证集上表现出卓越的性能,精度 (Pr) 为0.89,回忆 (Rc) 为0.88,F1得分 (F1) 为0.87,曲线下面积 (AUC) 为0.89.
• 与BI-RADS 5 (0.65) 相比,S4模型显示BI-RADS 3 (0.90) 和BI-RADS 4 (0.86) 病变的AUC显著更高.

结论:

• S4模型在预测DCE-BMRI恶性瘤方面表现出色,优于其他评估的CNNs.
• 在乳腺疾病诊断中,S4模型显示出临床应用的前景.
• 建议使用更大的数据集进行进一步的外部验证,以确认S4模型的有效性和通用性.