基于端到端CNN的深度学习增强了使用定量超声波 (QUS) 光谱参数图像的乳腺病变特征

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 生物医学工程 生物医学工程

背景情况:

• 定量超声波 (QUS) 光谱参数成像是一种快速而精确的技术,用于表征乳腺病变.
• 将深层卷积神经网络 (CNN) 与QUS成像集成,有可能提高诊断准确度,超出传统的放射学和机器学习方法.

研究的目的:

• 调查深度CNNs对直接从QUS光谱参数图像分类乳腺病变的有效性.
• 为了比较基于CNN的模型与放射学和传统机器学习方法在乳腺损伤特征的性能.

主要方法:

• 开发了使用转移学习和预训练CNN (ResNet,Inception-v3,Xception,EfficientNet) 的预测模型,对276名参与者的1764张QUS光谱参数图像 (184名恶性,92名良性) 进行预测.
• 优化了卷积块数,并微调了最终的卷积层.
• 数据被分为培训 (60%),验证 (20%) 和测试 (20%) 组,按病变亚型分层并重复五次.

主要成果:

• Xception-41实现了86%的回忆,87%的特异性,87%的平衡精度,以及0.93.9的AUC.
• EfficientNetV2-M表现出可比的性能,91%的回忆率,81%的特异性,86%的平衡精度和0.92.9的AUC.
• 在CNN模型中,放射学和传统机器学习方法的表现明显优于CNN模型 (p < 0.05).

结论:

• 基于端到端的CNN模型能够使用QUS光谱参数图像准确地描述乳腺质量.
• 与QUS成像的深度学习集成代表了乳腺损伤诊断的有希望的进步.