使用基于低分辨率骨扫描图像的深度学习,自动检测乳腺癌的多重骨转移

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:

• 全身骨扫描 (WBS) 对于诊断乳腺癌骨转移至关重要.
• 低分辨率,小病变大小,以及WBS图像中的众多病变对深度学习检测提出了挑战.
• 现有的深度学习模型与WBS用于转移检测的独特特征作斗争.

研究的目的:

• 开发一个统一的深度学习框架,用于在低分辨率的WBS图像中检测多个密集分布的骨转移.
• 为了增强低分辨率和多个小病变的WBS图像的特征提取能力.
• 提高乳腺癌骨转移自动检测的准确性和效率.

主要方法:

• 提出了一种新的统一检测框架,其中包括一个插即用位置辅助提取模块和一个功能融合模块.
• 设计了一个基于自我注意力变压器的目标检测头,用于准确识别小转移.
• 追溯研究包括512名乳腺癌患者;数据分为6:2:2用于培训,验证和测试.
• 与SSD,YOLOR,Faster_RCNN_R和Scaled-YOLOv4等基准进行评估,使用平均精度 (AP) 和回忆.

主要成果:

• 拟议的方法实现了55.0 ± 6.4%的AP,比SSD基线 (9.8 ± 2%) 显著改善.
• 实现了54.3±4.2%的平均召回率,大大超过了SSD型号 (5.2±12.7%).
• 废弃性研究表明,添加检测头和位置辅助提取模块,AP分别增加了14.03%和19.3%.

结论:

• 开发的统一框架有效地解决了在低分辨率的WBS图像中检测多个小骨转移的挑战.
• 该方法在私有和公共数据集上展示了卓越的性能和概括能力.
• 这一框架代表了乳腺癌WBS自动检测的重大进步,作为潜在的临床决策支持工具.