基于深度学习的多模组乳房非质量病变的分类,使用灰度和颜色多普勒超声波

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺非质量病变 (NMLs) 存在诊断方面的挑战.
• 准确的NML分类对于及时和适当的患者管理至关重要.
• 目前的超声波 (美国) 方法在区分良性和恶性NML方面存在局限性.

研究的目的:

• 开发和评估一种多式联络深度学习模型,用于对良性和恶性乳腺NML进行分类.
• 为了比较多式联运美国模型与单式联运美国模型的诊断性能.
• 为了利用灰度和彩色多普勒US图像进行增强的NML分类.

主要方法:

• 一项涉及241名女性患者248例病理确诊的NML的回顾性研究.
• 对三个卷积神经网络 (CNN) 架构 (ResNet50,ResNet18,VGG16) 的评估,用于单模分类 (灰度或颜色多普勒US).
• 通过将最佳单模CNN (VGG16) 的特征连接起来,开发一个多模深度学习模型,用于组合灰度和颜色多普勒US分析.

主要成果:

• 单模VGG16模型在灰度和颜色多普勒US.上表现出比ResNet模型更好的性能.
• 灰度美国模型在单模分类中表现优于彩色多普勒美国模型.
• 多模式VGG16模型实现了高诊断性能:91.54%的准确度,94.15%的灵敏度,87.30%的特异性,0.93的F1得分和0.96的AUC,优于单模式模型.

结论:

• 基于VGG16的多式联络深度学习为区分良性与恶性乳腺NML提供了卓越的诊断效果.
• 拟议的多式联络方法显示了在NML评估中协助放射科医生的巨大潜力.
• 这种方法提高了乳房超声波在NML分类中的诊断能力.