通过ROI分层深度学习改善乳房扫描中的良性和恶性分类
Kenji Yoshitsugu1, Kazumasa Kishimoto2, Tadamasa Takemura1
1Graduate School of Information Science, University of Hyogo, 7-1-28 Minatojima Minamimachi, Chuo-ku, Kobe-shi 650-0047, Hyogo, Japan.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
将感兴趣区域 (ROI) 面具纳入深度学习模型可以显著改善乳腺癌查的乳房图分析. 这种方法提高了良性/恶性分类的诊断准确度,有助于早期检测.
科学领域:
- 医学成像
- 人工智能
- 癌症学
背景情况:
- 深度学习被广泛应用于医学影像诊断,特别是在乳腺癌查的乳房影像检查中.
- 精确区分良性和恶性乳腺病变对于有效的查和患者治疗至关重要.
研究的目的:
- 调查是否将感兴趣区域 (ROI) 面膜信息纳入深度学习模型可以提高良性/恶性乳房扫描诊断的准确性.
- 评估Swin变压器和ConvNeXtV2模型的性能,包括和没有ROI面罩集成.
主要方法:
- 在VinDr和CDD-CESM乳房扫描数据集中使用Swin变压器和ConvNeXtV2模型.
- 根据投资回报率的存在或不存在进行分层图像,对每个子组进行独立的培训和预测.
- 来自ROI分层子组的合并结果,以评估整体诊断性能.
主要成果:
- 与基线相比,ROI分层分析显著改善了预测指标 (灵敏度,特异性,F-score,准确性).
- 例如,VinDr/Swin变压器从 (0.00, 1.00, 0.00, 0.85) 改进到 (0.93, 0.87, 0.90, 0.87) 的 ROI 面具.
- CDD-CESM/ConvNeXtV2显示了ROI面罩的改善,从0.65,0.65,0.65,0.65,0.74,0.61,0.67,0.68.
结论:
- 这项研究证实了整合ROI面具信息可以提高乳房镜中的深度学习模型性能的假设.
- 考虑ROI口罩数据对于改善诊断准确度,以区分良性和恶性乳腺病变至关重要.
- 这种方法为更精确,更可靠的人工智能辅助乳房图解提供了有希望的策略.
