在DCE-MRI中使用改进的更快R-CNN进行乳腺瘤检测和诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 基于人工智能的乳腺癌检测提供了提高的灵敏度和特异性,这对于早期诊断和降低死亡率至关重要.
• 现有的双阶段检测网络在不精确的感兴趣区域 (ROI) 选择中扎,导致周围组织的纳入和模糊噪声的错误阳性.

研究的目的:

• 通过解决当前两阶段网络的局限性,提高基于AI的乳腺癌检测准确度.
• 为了最大限度地减少假阳性,并提高乳房影像中病变识别的精度.

主要方法:

• 利用更快的RCNN架构与ROI对齐以减少量化错误.
• 集成的特征金字塔网络 (FPN) 用于多分辨率的特征提取.
• 开发了一个界限框二次回归网络和卷积层,以改进特征图和减少周围组织干扰.

主要成果:

• 拟议的模型在485个病例的内部数据集上表现优于Faster R-CNN,Mask R-CNN和YOLOv9,实现了卓越的mAP,灵敏度和错误阳性率.
• 与手动检测相比,虚假阳性结果减少了38.5%.
• 在220个案件的公开数据集上取得了最佳表现,显示出更好的敏感性和特异性.

结论:

• 开发的AI模型显著提高了乳腺癌检测准确度,并减少了假阳性.
• 这种方法有效地帮助临床医生诊断乳腺癌,通过更早,更精确的检测,有可能改善患者的治疗结果.