通过IVIM-DWI参数和信号衰变分析来描述乳腺瘤异质性

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 动态对比增强型MRI (DCE-MRI) 是乳腺瘤诊断的标准,但使用具有潜在风险的对比剂.
• 通过分析扩散 (D) 和微循环 (D*),提供一种非侵入性的替代方案.
• 这项研究探讨了IVIM-DWI数据作为高光谱图像来处理高级乳腺瘤的特征.

研究的目的:

• 评估深度学习和高光谱成像技术用于乳腺瘤的特征使用IVIM-DWI.
• 为了比较深度神经网络 (DNN) 与基于内核的方法 (KCEM,I-KCEM) 进行瘤细分的性能.
• 评估这些方法在超越二元诊断的细节性瘤表征方面的能力.

主要方法:

• 采集了22名乳腺癌患者的多b值IVIM-DWI数据,使用3TMRI系统.
• 图像的预处理和处理IVIM-DWI数据作为高光谱图像堆.
• 使用DNN,KCEM和I-KCEM对瘤检测的评估,用Dice和Jaccard指数测量细分精度,与医生确认的DCE-MRI对比.

主要成果:

• 深度神经网络 (DNN) 显示出卓越的性能,达到了 86.56% 的 Dice 相似系数和 76.30% 的 Jaccard 指数.
• DNN有效地识别了瘤异质性,根据扩散参数 (ADC,D,D*,PF) 区分高细胞率和低细胞率区域.
• 3D-ROC分析证实DNN是最好的探测器,强调其准确性和整体有效性.

结论:

• 结合IVIM-DWI,高光谱成像和深度学习,为乳腺癌诊断提供了强大的非侵入性方法.
• 这种方法为对比度增强的MRI提供了更安全的替代方案,为组织微观结构和异质性提供了详细的见解.
• DNN模型显示了改善乳腺瘤特征和理解组织微观环境的巨大潜力.