区分恶性与良性乳腺质量:基于多参数磁共振成像 (MRI) 的放射学方法与机器学习

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 多参数磁共振成像 (MRI) 对于乳腺病变的表征至关重要.
• 放射学分析从医学图像中提取定量特征,以帮助诊断.
• 区分恶性与良性乳腺瘤仍然是一个临床挑战.

研究的目的:

• 用MRI序列的各种组合来评估放射学模型的诊断性能.
• 为了比较单次序与多次序MRI在放射学分析中的有效性.
• 评估无对比度MRI序列在放射学中的潜力,用于乳腺病变的分类.

主要方法:

• 对144种乳腺病变 (69种恶性,75种良性) 的回顾性分析.
• 在手动细分后提取了107个放射性特征 (形状和纹理).
• 机器学习模型 (SVM,随机森林,k-NN) 的训练和评估,使用单序和组合MRI数据集 (所有序列与无对比序列).

主要成果:

• 单序模型显示了ADC,前对比T1和后对比T1序列的可比准确性.
• 所有序列模型的平均精度为0.88.8.
• 无对比度序列模型 (T2,ADC,前对比度T1) 的平均精度为0.90,与所有序列模型的性能相比.

结论:

• 非对比的MRI放射学模型在区分恶性与良性乳腺病变方面表现出高准确性.
• 这些算法在临床实践中显示出作为补充诊断工具的前景.
• 在某些MRI研究中,无对比的MRI放射能可减少或消除对比剂的需要.