对比增强光谱乳腺摄影中的病灶检测
图像与视频处理
2022-08-01 v1 人工智能
医学物理
摘要
背景与目的：用于乳腺图像分析的神经网络模型近期出现，是计算机辅助诊断的突破。该方法尚未在对比增强光谱乳腺摄影（CESM）中开发，因为获取大型数据库较为困难。本工作提出了一种基于深度学习的CESM重组图像计算机辅助诊断方法，能够检测病灶并对病例进行分类。材料与方法：从多家医院和不同采集系统收集了带有活检证实病灶的大型CESM诊断数据集。标注数据按患者级别划分为训练集（55%）、验证集（15%）和测试集（30%），用于训练具有最先进检测架构的深度神经网络。采用自由受试者工作特征（FROC）评估模型对以下三类的检测：1）所有病灶，2）活检病灶，3）恶性病灶。采用ROC曲线评估乳腺癌分类。最后将指标与临床结果进行比较。结果：在恶性病灶检测评估中，高灵敏度（Se>0.95）下每幅图像的假阳性率为0.61。在恶性病例分类中，模型达到了临床CESM诊断结果范围内的曲线下面积（AUC）。结论：该CAD是首个针对CESM图像的病灶检测与分类模型。其在大型数据集上训练，有潜力用于辅助活检决策管理以及帮助放射科医生检测可能改变临床治疗的复杂病灶。
引用
@article{arxiv.2207.09692,
title = {Lesion detection in contrast enhanced spectral mammography},
author = {Clément Jailin and Pablo Milioni and Zhijin Li and Răzvan Iordache and Serge Muller},
journal= {arXiv preprint arXiv:2207.09692},
year = {2022}
}