Deep-LIBRA：用于乳腺密度鲁棒量化并在乳腺癌风险评估中独立验证的人工智能方法
图像与视频处理
2021-10-20 v3 计算机视觉与模式识别
机器学习
摘要
乳腺密度是乳腺癌的重要风险因素，同时也影响筛查乳腺摄影的特异性和敏感性。当前的联邦立法要求对所有接受乳腺筛查的女性报告乳腺密度。临床上，乳腺密度使用美国放射学会乳腺影像报告和数据系统（BI-RADS）量表进行视觉评估。在此，我们引入一种人工智能（AI）方法，从数字化乳腺摄影图像估算乳腺百分比密度（PD）。我们的方法利用深度学习（DL）使用两种卷积神经网络架构来准确分割乳腺区域。随后应用结合超像素生成、纹理特征分析和支持向量机的机器学习算法来区分致密与非致密组织区域，并由此估算 PD。我们的方法已在包含 15,661 张图像（4,437 名女性）的多族群、多机构数据集上训练和验证，随后在一个独立的 6,368 张数字化乳腺摄影图像（1,702 名女性；病例=414）数据集上针对 PD 估算和乳腺癌判别进行测试。在独立数据集上，Deep-LIBRA 与专家阅片者的 PD 估算高度相关（Spearman 相关系数 = 0.90）。此外，Deep-LIBRA 的乳腺癌判别性能（ROC 曲线下面积，AUC = 0.611 [95% 置信区间（CI）：0.583, 0.639]）优于其他四种广泛使用的科研与商业 PD 评估方法（AUC = 0.528 至 0.588）。我们的结果表明，Deep-LIBRA 与专家阅片者金标准评估的 PD 估算高度一致，并且在乳腺癌风险评估中较最先进的开放源码和商业方法性能更优。
引用
@article{arxiv.2011.08001,
title = {Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment},
author = {Omid Haji Maghsoudi and Aimilia Gastounioti and Christopher Scott and Lauren Pantalone and Fang-Fang Wu and Eric A. Cohen and Stacey Winham and Emily F. Conant and Celine Vachon and Despina Kontos},
journal= {arXiv preprint arXiv:2011.08001},
year = {2021}
}