基于深度学习的高 b 值乳腿 DWI 切片级质量评估
计算机视觉与模式识别
2026-03-05 v1
摘要
扩散加权成像 (DWI) 可支持乳腿磁共振成像 (MRI) 中的病灶检测与特征化，但尤其是高 b 值扩散加权获取在强度瑕疵方面容易出问题，这些瑕疵会影响诊断图像评估。本研究旨在使用深度学习检测高 b 值扩散加权图像 (b=1500 s/mm2) 中的强度瑕疵，采用二分类 (瑕疵是否存在) 或多分类 (瑕疵强度) 方法，对切片级数据集进行建模。本研究经伦理委员会批准， retrospective 采用单中心数据集，包含 n=11806 个切片，来自 2022 年至 2023 年中旬期间的常规 3T 乳腿 MRI 检查。训练了三个卷积神经网络 (CNN) 架构 (DenseNet121、ResNet18 和 SEResNet50) 用于二分类强度瑕疵的检测。表现最好的模型 (DenseNet121) 被应用于独立的保留测试集，并分别进一步训练用于多分类。评估包括受试者工作特征曲线下面积 (AUROC)、精确召回曲线下面积 (AUPRC)、精确率和召回率，以及对预测边界框位置的分析，这些位置源自网络 Grad-CAM 热图。DenseNet121 在二分类中分别实现了 0.92 和 0.94 的 AUROC，用于强化和弱化瑕疵检测；在多分类中分别实现了 0.85 和 0.88 的加权 AUROC。一位放射科医生在 200 个切片上评估了边界框精度，以 1-5 Likert 比例尺表示，分别获得了 3.33±1.04 和 2.62±0.81 的平均得分。使用 CNN，特别是 DenseNet121，对高 b 值乳腿 DWI MRI 数据集中的强化和弱化瑕疵进行切片级检测似乎具有前景，需要进一步验证。
引用
@article{arxiv.2603.03941,
title = {Slice-wise quality assessment of high b-value breast DWI via deep learning-based artifact detection},
author = {Ameya Markale and Luise Brock and Ihor Horishnyi and Dominika Skwierawska and Tri-Thien Nguyen and Hannes Schreiter and Shirin Heidarikahkesh and Lorenz A. Kapsner and Michael Uder and Sabine Ohlmeyer and Frederik B Laun and Andrzej Liebert and Sebastian Bickelhaupt},
journal= {arXiv preprint arXiv:2603.03941},
year = {2026}
}