放射学与变压器相遇:一种新的瘤细分和分类方法,用于乳腺癌的乳房扫描

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 准确的乳腺癌诊断依赖于精确的图像细分和分类.
• 现有的方法在实现高精度和精确度的乳房图分析中经常面临挑战.
• 将深度学习细分与放射性特征集成,有可能提高诊断性能.

研究的目的:

• 开发和验证乳腺癌诊断的强有力的框架.
• 集成先进的基于变压器和U-Net的细分模型与放射性特征提取和机器学习分类器.
• 为了提高断片精度和分类准确度在乳房图像.

主要方法:

• 利用一个多中心数据集,包括8000张乳房图片,用于培训和测试.
• 采用基于变压器和U-Net的图像细分模型,使用子系数 (DSC),交叉点对联 (IoU),豪斯多夫距离 (HD95) 和像素精度进行评估.
• 提取了放射性特征,使用递归特征消除 (RFE) 和差异分析 (ANOVA) 进行选择,并使用后勤回归,XGBoost,CatBoost和堆叠组合模型对瘤进行分类.

主要成果:

• 基于变压器的细分显著超过了U-Net,实现了优越的DSC (0.92 ± 0.02测试) 和IoU (0.89 ± 0.02测试).
• 使用变压器细分特征的堆叠组合模型实现了最高的分类性能:93%的精度,92%的灵敏度,93%的F1得分和95%的AUC.
• SHAP分析确定了诸如灰级不均和区域等关键特征,证实了模型的可解释性.

结论:

• 基于变压器的细分与放射性分析和组合分类相结合,为乳腺癌诊断提供了一个高度准确和可解释的框架.
• 这种先进的方法与传统方法相比,表现出更高的性能,为乳房图分析提供了精确的解决方案.
• 该框架显示了未来可扩展到3D成像和多式联络数据集的潜力,推动了瘤学的诊断能力.