用深度神经网络与无监督训练来估计乳腺脂肪组织中的脂肪酸成分
Suneeta Chaudhary1, Elizabeth G Lane1, Allison Levy1
1Department of Radiology, Weill Cornell Medical College, New York, New York, USA.
Magnetic resonance in medicine
|December 6, 2024
概括
一种新的深度学习方法,脂肪酸组成网络 (FAC-Net),使用MRI准确估计乳腺脂肪组织组成. 这种快速的技术对乳腺癌研究和诊断具有前途.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
- 生物化学 生物化学
背景情况:
- 乳腺脂肪组织的组成对于了解乳腺癌风险至关重要.
- 目前用于评估脂肪酸成分 (FAC) 的方法通常是侵入性的或耗时的.
- 需要非侵入性成像技术来快速准确地估计FAC.
研究的目的:
- 开发一种基于深度学习的方法,以对乳腺脂肪组织中的脂肪酸成分 (FAC) 进行可靠和快速的估计.
- 用幽灵和人类实验对象验证拟议方法的性能.
主要方法:
- 一个基于物理的无监督深度学习网络,FAC-Net,被开发来估计从多回声双极梯度回声MRI数据的双键.
- 该网络使用10脂肪峰值信号模型进行训练,并在具有不同FAC的油幻器上进行验证.
- 人体受试者包括绝经后的妇女 (对照组和乳腺癌组),用3T核磁共振系统进行扫描.
主要成果:
- 在幻象研究中,FAC-Net显示了测量和参考FAC值之间的强烈相关性 (R2>0.9).
- 在对照组内的扫描-重新扫描测量中观察到高可重现性.
- 在癌症组的前后对比扫描中检测到和和单不和脂肪酸的显著差异.
结论:
- 开发的FAC-Net提供了一种强大而快速的方法,通过渐变回声MRI数据来估计乳腺脂肪组织的FAC.
- 这种深度学习方法显示了乳腺癌研究中脂肪组织组成的非侵入性评估的潜力.
