数字造乳镜的形态和纹理描述器分析与放射学发现,以支持使用人工神经网络检测乳腺癌
F E Trujillo-Zamudio1, M V Palma-Garzón2, M E Hernández-Campos1
1Escuela Superior de Medicina del Instituto Politécnico Nacional, Plan de San Luis y Díaz Mirón s/n, Col. Casco de Santo Tomas, 11340, Ciudad de México, Mexico.
Biomedical physics & engineering express
|December 19, 2025
概括
这项研究开发了人工神经网络 (ANN),使用形态和纹理描述器来检测乳腺癌在乳房影像中. 虽然内部测试显示了高精度,但外部验证显示性能明显较低,表明需要进一步开发更广泛的应用.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 数字造乳镜对于乳腺癌的检测至关重要.
- 人工神经网络 (ANN) 为图像分析提供了潜力.
- 形态和纹理描述符可以描述乳房图的发现.
研究的目的:
- 使用形态和纹理描述符对数字乳房造影进行分类,并与乳腺癌检测的ANN进行分类.
- 评估这些描述符和ANN在本地和外部数据集上的性能.
- 评估这种方法在临床诊断应用中的潜力.
主要方法:
- 来自两个机构 (HRAEO和INCAN) 的乳房图片的回顾性分析.
- 用于形态的循环度 (κ),以及用于纹理分析的极端的平均高度/宽度比 (ρ).
- 使用ANN的二进制分类,并使用F1分数,科恩卡帕 (K) 和AUC进行评估.
主要成果:
- 内部测试 (HRAEO) 实现了高性能:F1得分0.95,K 0.91,AUC 0.953.
- 外部测试 (INCAN) 的结果明显较低:F1得分为0.38,K为0.02,AUC为0.509.
- 性能差异归因于纳入标准,人口偏见或域调整问题.
结论:
- 拟议的形态学和纹理描述器在乳房影像中对局部乳腺癌检测有希望.
- 糟糕的外部性能凸显了其局限性以及在临床广泛采用之前需要进一步研究的必要性.
- 需要进一步努力,以提高可通用性和稳定性,以便更广泛的诊断用途.
