乳腺癌诊断使用双模补充深度学习网络与集成的注意力机制B模式超声波和剪切波弹性图像的融合

科学领域:

• 医学成像
• 人工智能
• 癌症学

背景情况:

• 乳腺癌的诊断依赖于成像,但区分良性和恶性病变以及评估淋巴结的参与可能是具有挑战性的.
• 将结构信息 (B模式超声波) 与组织刚性数据 (剪切波弹性图像) 整合为改善诊断准确性提供了潜力.

研究的目的:

• 开发和评估一个新的双模式互补特征注意网络 (DCFAN).
• 利用B模式超声波和剪切波弹性图 (SWE) 的融合空间和刚性特征,以提高乳腺瘤分类和下淋巴结 (ALN) 转移的预测.

主要方法:

• 对218名患者的B模式和SWE图像进行了回顾性分析.
• DCFAN模型使用了注意力机制来整合B模式结构特征和SWE刚性特征.
• 评价了两项任务的性能:良性与恶性瘤分类和瘤类型的分类,包括淋巴结转移状态,与传统方法和放射学家相比.

主要成果:

• 在瘤分类方面,DCFAN的准确度为94. 36%,AUC为0. 97,在转移预测方面,准确度为91. 70%和AUC为0. 83.
• 多种模式的方法显著优于单种模式的模型,并且在任务1中表现出比经验丰富的放射科医生更高的特异性和F1分数.
• DCFAN在诊断准确性方面超过了一些最先进的深度学习模型.

结论:

• 在乳腺瘤分类和ALN转移预测方面,DCFAN模型表现出强大且优异的性能.
• 这种人工智能方法可以作为改善乳房超声波检查诊断准确性的辅助工具.
• 整合互补的成像功能增强了AI在瘤诊断方面的能力.