利用深度学习在 MRI 扫描中实现乳腺癌的放射科医生级分割性能
机器学习
2022-04-13 v2 图像与视频处理
医学物理
机器学习
摘要
目的：开发一种深度网络架构，以实现乳腺癌在乳腺 MRI 上的全自动化放射科医生级分割。材料与方法：在这项回顾性研究中，于 2002 至 2014 年间在单一临床站点就诊的女性患者（年龄范围 12-94 岁；平均年龄 52 岁 ± 10 [标准差]）中进行了 38229 次检查（由 14475 名患者的 64063 次个体乳腺扫描组成）。共筛选出 2555 例由放射科医生在二维（2D）图像上分割的乳腺癌，以及 60108 个作为非癌组织示例的良性乳腺；所有这些均用于模型训练。在测试中，另外 250 例乳腺癌由四名放射科医生独立在 2D 图像上分割。作者从若干三维（3D）深度卷积神经网络架构、输入模态与协调方法中进行选取。结局指标为 2D 分割的 Dice 分数，通过 Wilcoxon 符号秩检验与双向单侧检验流程在网络与放射科医生之间进行比较。结果：训练集上性能最高的网络为以动态对比增强 MRI 作为输入且对每次检查进行强度归一化的 3D U-Net。在测试集中，该网络的中位 Dice 分数为 0.77（四分位距 0.26）。网络性能等同于放射科医生（以放射科医生性能 0.69-0.84 为等价界值的双向单侧检验流程，两者均 P ≤ .001；n = 250）。结论：当在足够大的数据集上训练时，所开发的 3D U-Net 在常规临床 MRI 乳腺癌详细 2D 分割中表现与受专科培训的放射科医生相当。
引用
@article{arxiv.2009.09827,
title = {Radiologist-level Performance by Using Deep Learning for Segmentation of Breast Cancers on MRI Scans},
author = {Lukas Hirsch and Yu Huang and Shaojun Luo and Carolina Rossi Saccarelli and Roberto Lo Gullo and Isaac Daimiel Naranjo and Almir G. V. Bitencourt and Natsuko Onishi and Eun Sook Ko and Doris Leithner and Daly Avendano and Sarah Eskreis-Winkler and Mary Hughes and Danny F. Martinez and Katja Pinker and Krishna Juluru and Amin E. El-Rowmeim and Pierre Elnajjar and Elizabeth A. Morris and Hernan A. Makse and Lucas C Parra and Elizabeth J. Sutton},
journal= {arXiv preprint arXiv:2009.09827},
year = {2022}
}