基于深度学习的乳腺瘤分类使用剪波电磁共振图像特征和临床变量

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 剪波弹性图 (SWE) 有助于早期和高效的乳腺质量分类.
• 卷积神经网络 (CNN) 在分析医疗图像方面表现有前途.
• 将临床数据与成像功能相结合,有可能提高诊断准确度.

研究的目的:

• 评估临床变量和SWE图像特征在乳腺质量分类中的作用.
• 在此分类任务中评估各种CNN模型 (ResNet101,VGG16,Exception,InceptionV3,DenseNet169) 的性能.
• 为了确定兴趣区域 (ROI) 选择对分类性能的影响.

主要方法:

• 未来收集了834张SWE图像,534张用于培训CNN.
• 接受CNN模型的训练,仅使用图像特征,并与临床变量相结合.
• 对B模式图像进行手动ROI选择和不进行手动ROI选择的分类性能评估.

主要成果:

• 在使用临床变量和SWE图像特征时,DenseNet169和ResNet152实现了最高的性能.
• DenseNet169获得了94.01%的准确性和AUC值为0.86 (测试) 和0.97 (验证).
• 结合临床变量和图像特征,显著改善了DenseNet169,VGG16和InceptionV3的AUC,并选择了ROI (P ≤0.05).

结论:

• 临床变量显著提高大多数CNN在SWE图像上的乳腺质量分类与ROI选择的性能.
• 将临床数据与SWE成像和CNN分析相结合,为乳腺病变的表征提供了更强大的方法.
• 当获得全面数据时,CNN模型,特别是DenseNet169和ResNet152,在分类乳腺质量方面表现出高效率.