卷积神经网络模型观察者在虚拟数字乳房图莫合成幻影中搜索时折扣类似信号的解剖结构
Aditya Jonnalagadda1, Bruno B Barufaldi2, Andrew D A Maidment2
1University of California, Santa Barbara, Department of Electrical and Computer Engineering, Santa Barbara, California, United States.
Journal of medical imaging (Bellingham, Wash.)
|October 20, 2025
概括
卷积神经网络 (CNN) 在医疗图像质量评估中优于线性模型观察器 (LMO),特别是在复杂的搜索任务中. 通过在医学成像分析中有效处理解剖背景,CNN可以更好地模仿放射科医生的表现.
科学领域:
- 医疗图像分析 医疗图像分析
- 放射学中的人工智能
- 用于图像质量评估的计算观察器.
背景情况:
- 线性模型观察器 (LMOs),如道化Hotelling (CHO) 和频率卷积通道观察器 (FCO) 是评估医疗图像质量的标准工具.
- 卷积神经网络 (CNN) 在图像分析中提供了潜在的进步,但与LMO相比,它们在感知任务中的有效性需要彻底评估.
研究的目的:
- 为了比较CNN与传统LMO在评估医疗图像质量的表现.
- 为了确定CNN在特定的感知任务中是否优于LMO,特别是寻找乳腺图莫合成异常的任务.
主要方法:
- 已知位置的信号检测任务和2D/3D乳房幻影中的质量/微化搜索LMO (CHO,FCO) 和CNN的比较检测精度 (曲线下的面积 - AUC).
- 评估放射科医生在搜索任务中的表现,并分析他们与LMO和CNN输出分数相关的眼睛固定模式.
主要成果:
- 在信号位置有限的任务中,CNN和LMO的准确性相似,但在3D图像中的微化和大规模搜索任务中,CNN的表现优于LMO.
- 放射科医生的AUC在特定搜索任务中明显高于LMOs,但与CNN相比.
- 与LMO相比,放射学家更长时间关注CNN识别的区域,特别是在大规模检测方面.
结论:
- 在医学图像分析中的复杂搜索任务中,CNN比LMO更适合作为模型观察者.
- CNNs表现出一种与放射科医生相似的解剖学背景的虚假阳性折扣的能力,提高了它们在医疗图像质量评估中的实用性.
