深度学习合成DBT的特点从乳腺癌诊断的乳房扫描
Ming Fan1, Liujia Wang1, Jin Wang1
1Institute of Biomedical Engineering and Instrumentation, Hangzhou Dianzi University, Hangzhou 310018, China.
European journal of radiology
|October 28, 2025
概括
这项研究引入了一种新的方法,通过从数字乳腺学 (DM) 图像中合成数字乳腺突合成 (DBT) 功能来改善乳腺癌诊断. 这种方法提高了诊断的准确性,并可能减少患者的辐射暴露.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 数字乳腺图莫合成 (DBT) 通过减少组织重叠来提高诊断准确度,而不是数字乳房学 (DM).
- 来自DBT的大量图像给放射科医生带来了挑战.
- 通过DBT数据提高DM的诊断效用对于有效的乳腺癌查至关重要.
研究的目的:
- 提高DM的诊断准确性和诊断乳腺癌的临床实用性.
- 为了利用DBT衍生出的高级特征表示.
- 开发一种方法,从DM图像中生成合成DBT (sDBT) 特性.
主要方法:
- 使用基于ResNet的多尺度注意网络 (MSAN) 开发了一种跨模式特征合成 (CMFS) 模型.
- 采用具有多任务学习的生成对抗网络 (GAN) 来将DM特征转换为sDBT特征.
- 使用806个样本的数据集进行培训和测试.
主要成果:
- 基于DBT的模型实现了0.916.6的曲线下的面积 (AUC).
- 使用从DM生成的sDBT特征,与单独DM相比,改善了病变分类AUC从0.845到0.878 (p=0.002).
- 模型可视化证实了精确的病变定位,验证了该方法的有效性.
结论:
- 拟议的CMFS框架有效地从DM中生成sDBT特征,提高乳腺癌诊断的准确性.
- 这种方法提供了一种减少患者辐射暴露的潜在方法.
- 开发的代码和模型可供公众进一步研究.
