通过超声波识别良性和恶性乳腺结节:比较多种深度学习模型和模型解释
Xi Wen1, Hao Tu1, Bingyang Zhao2
1Department of Ultrasound, The Central Hospital of Enshi Tujia And Miao Autonomous Prefecture (Enshi Clinical College of Wuhan University), Enshi, China.
Frontiers in oncology
|March 5, 2025
概括
这项研究引入了一种弱监督的深度学习算法,用于在超声波图像中诊断乳腺瘤,从而消除了手动区域注释的需要. DenseNet121模型在区分良性瘤和恶性瘤方面取得了很高的准确性.
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:
- 医学成像的深度学习 (DL) 通常需要广泛的兴趣区域 (ROI) 标注,这耗时且容易产生偏见.
- 开发自动诊断工具对于提高乳腺癌检测率至关重要.
研究的目的:
- 开发和验证一个弱监督的深度学习算法,用于在没有手动ROI注释的情况下在超声图像中区分良性和恶性乳腺瘤.
- 评估不同DL架构在这种监督较弱的环境中的性能.
主要方法:
- 四个DL网络 (DenseNet121,ResNet50,EfficientNetb0,Vision Transformer) 在两个公共数据集中的2136个未注释的乳房超声图像上进行了实施和训练.
- 模型在单独的图像集上进行了验证和测试,使用接收器操作特征曲线 (AUC) 下的面积来评估诊断性能.
- 类激活地图用于解释模型预测.
主要成果:
- 与其他模型相比,DenseNet121模型在区分良性和恶性乳腺瘤方面表现出卓越的表现.
- 丹森网121获得了0.94 (验证) 和0.93 (测试组) 的最高AUC值,明显超过了ResNet50,EfficientNetb0和Vision Transformer (P <0.05).
结论:
- 低监督的DenseNet121模型可用于基于超声波的乳腺瘤诊断,并显示出强大的差异诊断能力.
- 这种人工智能工具有可能提高放射科医生的诊断准确性,特别是那些经验较少的放射科医生.
