基于可解释深度学习回归的MRI乳腺密度估计
摘要
乳腺密度即纤维腺体组织（FGT）与乳腺总体积之比，可由放射科医生定性评估，也可由计算机算法定量评估。这些算法通常依赖于乳腺和FGT体积的分割。本研究提出一种直接在MRI上评估乳腺密度并提供评估解释的方法。我们使用回归卷积神经网络（CNN）对506名乳腺癌患者的乳腺密度进行评估。CNN的输入为128×128体素的乳腺MRI切片，输出为0（脂肪型乳腺）到1（致密型乳腺）之间的连续密度值。我们使用350名患者训练CNN，75名用于验证，81名用于独立测试。我们利用Deep SHapley Additive exPlanations（SHAP）探究CNN得出预测密度的原因。CNN在测试集上预测的密度与真实密度显著相关（N=81名患者，Spearman's rho=0.86，P<0.001）。在检查CNN预测依据时，我们发现FGT中的体素通常具有正SHAP值，脂肪组织中的体素通常具有负SHAP值，非乳腺组织中的体素SHAP值通常接近零。这意味着密度预测基于我们预期其所基于的结构，即FGT和脂肪组织。总之，我们提出了一种用于MRI乳腺密度估计的可解释深度学习回归方法，结果令人鼓舞。
引用
@article{arxiv.2012.04336,
title = {Interpretable deep learning regression for breast density estimation on MRI},
author = {Bas H. M. van der Velden and Max A. A. Ragusi and Markus H. A. Janse and Claudette E. Loo and Kenneth G. A. Gilhuijs},
journal= {arXiv preprint arXiv:2012.04336},
year = {2020}
}
备注
This paper has been published as: Van der Velden, B.H.M., Ragusi, M.A.A., Janse, M.H.A., Loo, C.E., Gilhuijs, K.G.A. "Interpretable deep learning regression for breast density estimation on MRI." Medical Imaging 2020: Computer-Aided Diagnosis. Vol. 11314. International Society for Optics and Photonics, 2020