通过人工智能辅助检测乳腺癌的创新多视图策略

科学领域:

• 医学成像
• 人工智能
• 癌症学

背景情况:

• 乳房扫描对于早期发现乳腺癌至关重要,但它面临着读者间变异性和微妙特征解释的挑战.
• 深度卷积神经网络 (CNN) 提供了自动化乳房镜分类的潜力,旨在提高诊断准确性.

研究的目的:

• 评估深度卷积神经网络 (CNN) 用于自动化乳房影像分类.
• 引入和评估两个新的多视图集成技术:双分支集成 (DBE) 和合并双视图 (MDV).
• 测试不同乳房数据集和成像系统中的模型通用性.

主要方法:

• 在六个乳房扫描数据集上对最先进的CNN架构 (ResNet,DenseNet,EfficientNet,MobileNet,Vision Transformers,VGG19) 的比较分析.
• 实施和评估双分支集团 (DBE) 和合并双视图 (MDV) 多视图集成策略.
• 使用专用数据集进行样本外测试,以评估模型对域移动的概括性和稳定性.

主要成果:

• 两种MDV和DBE策略都显著改善了分类性能.
• 在MDV方法下,VGG19和DenseNet的ROC AUC分数分别为0.9051和0.7960.
• 在DBE设置中,DenseNet和ResNet50的ROC AUC得分分别为0.8033和0.8042,证明了多视图融合的好处.

结论:

• 多视图融合技术 (MDV和DBE) 提高了基于CNN的乳房镜分类的稳定性和准确性.
• 一般化测试强调了对多样化的训练数据集的关键需求,以减轻领域转移的影响.
• 这些发现为开发可靠和广泛应用的人工智能辅助乳腺癌查工具提供了实际指导.