可解释的基于放射学模型用于乳腺癌中自动图像质量评估 DCE MRI 数据数据
Georgios S Ioannidis1,2, Katerina Nikiforaki1, Aikaterini Dovrou1,3
1Computational BioMedicine Laboratory (CBML), Foundation for Research and Technology-Hellas (FORTH), 70013 Heraklion, Greece.
Journal of imaging
|November 26, 2025
概括
这项研究引入了一种可解释的放射学模型,自动评估乳腺癌动态对比增强磁共振成像 (DCE-MRI) 质量. 该模型准确地区分高质量的DCE-MRI扫描和低质量的DCE-MRI扫描,帮助临床实践.
科学领域:
- 放射学和医学成像分析.
- 医疗保健中的机器学习
- 生物医学信号处理
背景情况:
- 准确评估医学成像质量对于可靠的诊断至关重要.
- 乳腺癌动态对比增强磁共振成像 (DCE-MRI) 质量可以显著影响诊断的准确性.
- 现有的图像质量评估方法可能缺乏自动化和可解释性.
研究的目的:
- 为乳腺癌DCE-MRI中自动图像质量评估开发一种可解释的基于放射学模型.
- 评估机器学习分类器在区分高质量和低质量的DCE-MRI扫描中的性能.
- 通过质量控制,提高大规模医学成像数据集的可靠性和公平性.
主要方法:
- 从280张乳腺癌DCE-MRI图像中提取了819个放射性特征和2个无参考图像质量指标.
- 从整个图像和感兴趣的背景区域提取特征,考虑两个场景:每个患者12个切片和中间切片.
- 机器学习分类器 (包括支持矢量机器) 的应用,使用SHapley添加式解释 (SHAP) 评估可解释性.
主要成果:
- 该模型在使用中间切片 (场景II) 的特征时实现了最佳性能,将整个图像和背景特征结合起来.
- 一个支持矢量机器分类器产生了高性能指标:85.51%的灵敏度,80.01%的特异性,82.76%的准确性和89.37%的AUC.
- SHAP分析为模型的预测提供了解释性,确定了影响质量评估的关键特征.
结论:
- 开发的可解释的放射学模型显示了在乳腺癌DCE-MRI中自动图像质量评估的巨大潜力.
- 该模型可以集成到临床工作流程中,以确保数据质量并提高诊断可靠性.
- 这种方法为管理大型图像存储库和进行公平的子组分析提供了有价值的工具.
