在晶数字乳腺显微镜合成数据集用于对瘤细分中的深度学习模型进行比较分析
Cristina Alfaro Vergara1,2, Nicolás Araya Caro3, Domingo Mery Quiroz3,4
1Department of Medical Technology, Faculty of Health Sciences, Universidad de Tarapacá, Arica, Chile. calfarov@academicos.uta.cl.
Journal of imaging informatics in medicine
|August 5, 2025
概括
这项研究表明,计算机生成的 (in silico) 数字乳腺断层合成 (DBT) 数据可以有效地训练深度学习模型进行乳腺瘤细分,解决现实数据的稀缺问题.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 数字乳腺断层合成 (DBT) 数据集的有限可用性阻碍了用于乳腺瘤细分的深度学习 (DL) 模型的开发.
- 在 silico 数据生成提供了一个潜在的解决方案来增强现实世界的数据集.
研究的目的:
- 评估使用in silico生成的DBT数据用于训练DL模型进行乳腺瘤细分的可行性.
- 为了比较在in silico数据上训练的各种DL架构的性能.
主要方法:
- 在230个2DROI上训练了13个DL模型 (U-Net,FCN,DeepLabv3,DeepLabv3+).
- 模型从头开始训练或使用COCO预训练重量进行微调 (ResNet50/101).
- 通过F1得分,IOU,精度和回忆来评估性能.
主要成果:
- U-Net (从头开始训练) 和DeepLabv3+ (通过ResNet50进行微调) 显示出最佳性能 (F1分数~82-85%,IOU~78-84%).
- 在表现最佳的模型之间没有观察到统计学上显著的差异.
- 在混合in silico/现实世界数据集上重新训练U-Net产生了有希望的79%的F1分数.
结论:
- In silico DBT 数据是一个可行的补充资源,用于在数据有限的场景中训练DL模型.
- 这项研究提供了将计算生成的数据集成到基于AI的DBT瘤细分研究中的证据.
- 进一步的研究可以利用in silico数据来提高乳腺癌检测工具的稳定性和可访问性.
