基于深度学习的可持续乳腺病变细分:乳腺区域细分对表现的影响
Sam Narimani1,2,3, Solveig Roth Hoff4,5, Kathinka Dæhli Kurz6,7
1Department of Physics, Norwegian University of Science and Technology, Trondheim, Norway. sam.narimania@gmail.com.
BMC medical imaging
|October 11, 2025
概括
乳腺区域细分 (BRS) 在DCE-MRI中显著改善了基于深度学习的乳腺病变细分 (BLS). 将BRS应用于最佳体积 (OV) 时,精度提高了50%,能源消耗降低了450%.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在动态对比增强磁共振成像 (DCE-MRI) 中精确细分乳腺病变对于诊断至关重要.
- 深度学习模型显示了自动化乳腺病变细分 (BLS) 的前景.
- 像乳房区域细分 (BRS) 这样的预处理步骤对BLS性能的影响尚未完全理解.
研究的目的:
- 在DCE-MRI中调查BRS对基于深度学习的BLS在DCE-MRI中的表现的影响.
- 为了比较不同的BRS策略,包括全体积 (WV),精选的含病变切片 (SLS) 和最佳体积 (OV).
主要方法:
- 使用了斯塔万格数据集 (59个DCE-MRI扫描) 与BLS的UNet++架构.
- 实施了四种方法:没有BRS的WV,带有BRS的WV,带有SLS的BRS和带有OV的BRS.
- 采用数据增量,过量抽样,混合损失函数 (子,焦点,交叉) 和五倍交叉验证.
主要成果:
- 在所有测试方法中,BRS显著提高了BLS模型的性能.
- 与非BRS基线相比,BRS与OV方法的细分精度大约增加了50%.
- 带有OV的BRS可将计算能耗降低高达450%.
结论:
- 乳腺区域细分是改善DCE-MRI中基于深度学习的乳腺病变细分的关键一步.
- 对于BRS来说,最佳体积 (OV) 方法在准确性和计算效率方面提供了显著的改进.
- 这种优化的BRS策略为大规模医学成像应用提供了可持续的解决方案.