SCREENet：一种用于高分辨率合成乳腺筛查扫描分类的多视角深度卷积神经网络
图像与视频处理
2020-09-29 v3 计算机视觉与模式识别
机器学习
摘要
目的：开发并评估一种多视角深度学习方法分析来自数字乳腺断层合成筛查病例的高分辨率合成乳腺摄影图像的准确性，并评估图像分辨率与训练集大小对准确性的影响。材料与方法：在一项回顾性研究中，收集了本机构获得的 21,264 例筛查数字乳腺断层合成（DBT）检查及其放射学报告。这些检查的 2D 合成乳腺摄影图像，具有不同分辨率和数据集大小，被用于训练一个多视角深度卷积神经网络（MV-CNN），以在留出检查集上评估之前将筛查图像分类为 BI-RADS 类别（BI-RADS 0、1 和 2）。结果：在完整数据集上训练的 MV-CNN 对 BI-RADS 0 与非 BI-RADS 0 类的受试者工作特征曲线下面积（AUC）为 0.912。该模型准确率为 84.8%，召回率为 95.9%，精确率为 95.0%。当使用 50% 和 25% 的图像训练同一模型时，该 AUC 值下降（分别为 AUC = 0.877，P=0.010 和 0.834，P=0.009）。此外，当使用下采样 1/2 和 1/4 的图像训练同一模型时，性能下降（分别为 AUC = 0.870，P=0.011 和 0.813，P=0.009）。结论：该深度学习模型利用数万张高分辨率图像将高分辨率合成乳腺摄影扫描分类为正常与需进一步评估。较小的训练数据集和较低分辨率图像均导致性能显著下降。
引用
@article{arxiv.2009.08563,
title = {SCREENet: A Multi-view Deep Convolutional Neural Network for Classification of High-resolution Synthetic Mammographic Screening Scans},
author = {Saeed Seyyedi and Margaret J. Wong and Debra M. Ikeda and Curtis P. Langlotz},
journal= {arXiv preprint arXiv:2009.08563},
year = {2020}
}