从使用深度学习的三维重建数字乳腺图像进行体积乳腺密度估计
Vinayak S Ahluwalia1,2,3, Nehal Doiphode4, Walter C Mankowski4
1Center for Biomedical Image Computing and Analytics (CBICA), University of Pennsylvania, Philadelphia, PA.
JCO clinical cancer informatics
|December 9, 2024
概括
一个新的深度学习模型可以从3D数字乳腺图片合成图像中估计乳腺密度,识别乳腺癌诊断风险较高的女性.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺密度是已知的乳腺癌风险因素之一.
- 数字乳腺断层合成 (DBT) 越来越多地用于查.
- 目前用DBT估计体积乳腺密度 (VBD) 的方法受到数据要求的限制.
研究的目的:
- 开发和验证一个深度学习 (DL) 模型,用于从3D重建的DBT图像中估计VBD.
- 评估DL衍生的VBD测量和乳腺癌诊断之间的关联.
主要方法:
- 对1,080次DBT查检查的回顾性分析.
- 开发一个DL模型来细分密集和脂肪乳腺组织.
- 使用DL模型估计%VBD和绝对密度 (ADV).
- 后勤回归以将VBD测量与对侧乳腺癌诊断相关联.
主要成果:
- DL模型与参考细分有很好的一致性 (Dice分数为0.88和0.76).
- DL衍生的VBD (%VBD和ADV) 与乳腺癌诊断的几率增加显著相关 (ORs为1.41和1.45).
- 乳腺癌诊断曲线下的面积 (AUC) 在0.65至0.67.7之间.
结论:
- 从3D DBT图像中获得深度学习衍生的乳腺密度测量是风险评估的可行工具.
- 这种方法可以帮助识别患乳腺癌风险较高的人.
- 这些发现支持使用DBT进行乳腺癌查时VBD的常规估计.
