基于深度学习的半监督模型,用于对查乳腺动脉化的细分,用于查乳腺造影

科学领域:

• 放射学和医学成像学
• 医疗保健中的人工智能
• 心血管疾病风险分层心血管疾病风险分层.

背景情况:

• 乳房动脉化 (BAC) 在乳房影像上是一个独立的心血管疾病 (CVD) 风险因素.
• 目前的BAC评估缺乏标准化,并依赖于主观的解释.
• 需要自动化方法来实现客观和可重复的BAC分级.

研究的目的:

• 开发和验证一个半监督深度学习 (DL) 模型,用于自动化BAC严重程度分级.
• 为了提高模型在不同乳房学系统的概括性.
• 为了使自动分级与临床共识保持一致,并改善心血管疾病风险分层.

主要方法:

• 一个基于U-Net的DL模型被训练在注释的乳房影像上,并使用渐进的伪标签增强了6000个未标记的图像.
• 根据百分比覆盖面积,根据加拿大乳腺成像学会指南对放射科医生的评估进行了基准对比,对BAC的严重程度进行了分级.
• 模型性能使用雅卡德相似系数,准确度,精度,F1得分,回忆,灵敏度,特异性和曲线下面积 (AUC) 来评估.

主要成果:

• DL模型实现了高性能,雅卡德相似系数为0.614,准确度为0.991,F1得分为0.756.
• 观察到与专家放射科医生达成的良好协议 (加权卡帕 = 0.90).
• 该模型在检测临床显著 (3级) BAC方面表现强,AUC为0.87,灵敏度为0.80,特异性为0.93.

结论:

• 开发的半监督DL框架为自动化BAC分级提供了一个有希望的,标准化的方法.
• 这项技术有可能在乳房造影工作流程中得到临床采用.
• 改进BAC评估可以增强女性心血管风险分层.