改善正常/异常和良性/恶性分类在乳房影像与ROI分层的深度学习
Kenji Yoshitsugu1, Kazumasa Kishimoto2, Tadamasa Takemura1
1Graduate School of Information Science, University of Hyogo, 7-1-28 Minatojima Minamimachi, Chuo-ku, Kobe-shi 650-0047, Hyogo, Japan.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
按感兴趣区域 (ROI) 存在分层的乳房造影图像可以提高乳腺癌查的深度学习 (DL) 分类准确性. 这种基于ROI的方法在更大的数据集中显示出更大的实用性,提高了诊断性能.
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:
- 深度学习 (DL) 越来越多地用于医学图像分析和诊断.
- 乳房显微镜是乳腺癌查的关键工具,目前正在进行研究以提高其准确性.
研究的目的:
- 评估基于兴趣区域 (ROI) 的存在或不存在的乳房镜像分层是否提高了分类准确性.
- 将DL模型的诊断性能与基于ROI的分层和没有分层进行比较.
主要方法:
- 独立训练多个DL模型 (ResNet,EfficientNet,SwinTransformer,ConvNeXt,MobileNet) 在乳房影像子组上 (有/没有ROI).
- 来自子组预测的综合结果用于最终分类.
- 使用了公开可用的数据集:VinDr.,CDD-CESM和DMID.
主要成果:
- 基于ROI的分层提高了正常-异常和良性-恶性病例的分类准确性.
- 投资回报分层对乳房造影诊断准确性的好处随着数据集大小的增加而增加.
- 与非分层预测的比较证实了ROI方法的增强实用性.
结论:
- 根据ROI存在来分层造乳镜图像是提高DL基乳腺癌查准确性的一个有价值的技术.
- 这种分层方法的有效性在大型数据集中尤为明显.
- 这种方法提供了一种有前途的策略,可以提高乳房影像分析的诊断性能.
