基于深度学习的CAD系统用于使用RFTSDP方法增强乳腺损伤分类和分级.
Elaheh Norouzi Ghehi1, Ali Fallah1, Saeid Rashidi2
1Faculty of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran.
概括
使用射频时间序列动态处理 (RFTSDP) 的新深度学习方法准确地对乳腺病变进行分类. 这种先进的技术提高了诊断的准确性,可能减少了侵入性活检的需要.
科学领域:
- 医学成像医学成像
- 生物物理学的生物物理.
- 医学中的人工智能
背景情况:
- 准确的乳腺损伤分类对于治疗至关重要,但受到当前诊断精度的限制,往往需要活检.
- 射频时间序列动态处理 (RFTSDP) 被引入,以分析组织动态和散射器位移对RF回声的影响在刺激过程中,以加强诊断.
研究的目的:
- 开发和评估基于深度学习 (DL) 的系统,用于使用RFTSDP进行自动化乳腺病变分类和分级.
- 为了比较基于卷积神经网络 (CNN) 的RFTSDP方法与传统机器学习技术的性能.
主要方法:
- 开发了一种振动生成装置,用于从ex vivo乳腺组织中采集超快超声数据.
- 采用CNN用于自动特征提取和将病变分类为2,3和5类别.
- 将基于CNN的RFTSDP性能与光谱和非线性特征提取以及支持矢量机 (SVM) 进行比较.
主要成果:
- 基于DL的RFTSDP方法在65Hz振动下对乳腺病变进行分类和分级,达到99.53%的准确性.
- 美国有线电视新闻频道 (CNN) 的表现始终优于SVM,在5类分类中达到98.01%的准确率,而SVM的准确率为95.64%.
- 基于CNN的RFTSDP方法显示,与非刺激条件相比,分类准确度提高了28.67%.
结论:
- 一个基于DL的计算机辅助诊断 (CAD) 系统已成功开发,用于乳腺病变的分类和分级.
- 拟议的RFTSDP系统比传统方法提高了分类的准确性,稳定性和稳定性.
