基于深度学习的腺瘤分类:整合动态对比增强MRI以提高诊断准确性
Kazim Ayberk Sinci1, Ilker Ozgur Koska2,3, Yusuf Kenan Cetinoglu2
1Department of Radiology, Kanuni Sultan Suleyman Education and Research Hospital, Istanbul, 34303, Türkiye. ayberksinci94@gmail.com.
BMC medical imaging
|July 4, 2025
概括
深度学习模型在增强动态对比增强 (DCE) -MRI数据时显著改善腺瘤分类. 这种功能性成像方法提高了诊断准确度,可以区分正常组织,瘤和瘤亚型.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 口腔腺瘤需要准确的分类才能有效治疗.
- 多参数MRI,包括DCE序列,提供丰富的诊断信息.
- 深度学习模型显示了自动图像分析的前景.
研究的目的:
- 评估深度学习模型在分类状腺瘤中的性能.
- 评估动态对比增强 (DCE) MRI 数据对分类准确性的影响.
- 为了比较不同的深度学习架构用于瘤检测和亚型化.
主要方法:
- 一项对164名参与者 (124名瘤患者,40名对照人) 的回顾性研究,使用多参数MRI.
- 两种深度学习模型 (MobileNetV2,EfficientNetB0) 进行了微调,用于瘤分类任务.
- 动态对比增强 (DCE) 衍生指标与增强分类模型集成.
主要成果:
- 在正常与瘤分类中,EfficientNetB0实现了85%的准确性.
- 整合DCE数据显著改善了良性与恶性瘤分类,在MobileNetV2.2.的帮助下,该分类达到96%.
- DCE数据提升了组合方法的89%准确性,用于亚型分类 (小瘤与多形腺瘤).
结论:
- 动态对比增强 (DCE) -MRI数据大大提高了腺癌分类的深度学习模型的准确性.
- 来自DCE-MRI的功能成像生物标志物对于改善非侵入性诊断工作流程非常有价值.
- 深度学习与DCE-MRI相结合,为腺瘤的特征提供了一个强大的工具.
更多相关视频
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
22.6K
06:54MR Molecular Imaging of Prostate Cancer with a Small Molecular CLT1 Peptide Targeted Contrast Agent
Published on: September 3, 2013
11.3K
