在使用卷积神经网络的数字造 mammography 中自动检测模糊的技术可行性
S Nowakowska1, V Vescoli2, T Schnitzler3
1Department of Diagnostic and Interventional Radiology, University Hospital Zürich, Zürich, Switzerland. sylwia.k.nowakowska@gmail.com.
European radiology experimental
|November 18, 2024
概括
这项研究开发了一种自动化模糊检测模型,用于使用维纳光谱分析和卷积神经网络 (CNN) 的数字造乳术. 该模型能够准确地识别模糊的乳房影像,提高诊断准确度,并确保查的高质量图像.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和诊断成像 放射学和诊断成像
背景情况:
- 乳房镜像的图像质量对于准确的诊断至关重要,因为模糊可以显著限制解释.
- 需要在数字造乳镜的诊断相关区域自动检测模糊,以提高准确性.
研究的目的:
- 开发和评估一个模型,用于自动检测模糊在数字造乳镜.
- 通过识别和减轻图像模糊的影响来提高诊断准确度.
主要方法:
- 利用了来自三家供应商的152张乳房造影的回顾数据集.
- 提取了规范维纳光谱 (nWS) 并使用卷积神经网络 (CNN) 来检测模糊.
- 通过专家放射学家的共识建立的基本真理.
主要成果:
- 开发的模型实现了接收器运行特征曲线 (AUROC) 下的面积为0.808.
- 该模型在78%的模糊性乳房镜像和75%的利性乳房镜像中与放射学家的共识一致.
- 在模糊的存在和乳房图视图/侧面性之间发现了显著的相关性.
结论:
- 基于频域分析和CNNs的强大,自动化模糊检测模型已成功开发.
- 这种工具可以消除视觉评估中的主观性,确保一致的图像质量.
- 临床实施可以提供即时的反,使得乳房镜检查能够迅速重复,并减少不必要的辐射暴露.
