![深转移学习框架,使乳腺密度估计基于视觉的放射科医生](http://www.alohadebbie.com/sites/default/files/styles/content_large/public/Low-Res_Density-920.jpg.png?itok=I9pD2Znm)
估计乳腺密度,研究人员使用两个pre-trained深度学习模型从乳房x光成像中提取特征,生成特征向量。每个向量被用来产生一个单独的密度估计使用线性回归或multi-layer-perceptron。最后,这些单独的估计相结合产生一个预测乳腺密度。Squires et al ., doi jmi.10.2.024502 10.1117/1.。
2023年4月25日—乳腺癌是女性最常见的癌症影响全世界。据美国癌症协会,大约在8妇女在美国将在一生中患乳腺癌。虽然它不可能完全预防乳腺癌,各种医疗机构建议定期检查在早期发现和治疗病例。乳房密度,定义为fibro-glandular的比例在乳房组织,常被用来评估患乳腺癌的风险。虽然各种方法可用来估计这一指标,研究表明,主观评估由放射科医生基于视觉模拟尺度比其他方法更准确。
的专家评估乳腺密度起到至关重要的作用在乳腺癌风险评估,开发图像分析框架可以自动估计这一风险,具有相同精度作为一名有经验的放射科医生,是非常可取的。为此,教授领导的研究人员。苏珊·m·Astley从曼彻斯特大学英国最近开发和测试一个新的深度上优于模型估计乳腺密度与高精度的能力。他们的发现发表在《医学影像杂志。
“基于深层学习方法的优点是它允许自动特征提取的数据本身,“Astley解释道。“这是呼吁乳腺密度估计因为我们不完全理解为什么专家主观判断比其他方法。”
通常情况下,培训深度学习模型的医学图像分析是一项具有挑战性的任务由于有限的数据集。然而,研究人员设法找到解决这一问题:而不是从头开始构建模型,他们用两个独立的最初训练的深度学习模型ImageNet超过一百万张图片,非医学成像数据集。学习这种方法,被称为“转移”,使他们更有效地训练模型用更少的医学影像数据。
使用近160000细致的数字乳房x光检查图像被分配密度值在视觉模拟量表由专家(放射科医生,先进的从业者摘录和乳腺医生)从39357年女性,研究人员开发了一个程序评估每个乳腺图像的密度的分数。目标是采取在乳房x光图像作为输入,并产生密度分数作为输出。
所涉及的过程预处理图像,使培训过程计算密集,从深度学习的处理图像中提取特征模型,特征映射到一组密度分数,然后使用一个方法结合分数产生了最终的密度估计。
使用这种方法,研究人员开发了高度精确的模型来估计乳腺密度及其与癌症风险的相关性,同时节省计算时间和内存。“模型的性能相当的人类专家的范围内的不确定性,“Astley说。“此外,它可以训练快得多,在小数据集或大型数据集的子集”。
值得注意的是,深转移学习框架不仅是有用的估计乳腺癌风险的放射科医生还没有培训其他医学成像模型基于其乳房组织密度估计。反过来,这可以提高性能的任务,比如癌症风险预测或图像分割。
开放获取的文章读了由s . Squires et al。”自动评估乳腺密度使用深转移学习方法“j .医疗成像。024502 (2023),(2)doijmi.10.2.024502 10.1117/1.。
更多信息:https://spie.org/
乳腺密度相关内容:
视频:美国食品药品管理局在美国国家密度报告标准更新——讨论最终的规则
FDA需要确保致密的乳房通知都是清晰易懂的信息公开的所有成员
乳房成像相关内容2022世界杯篮球预选赛赛程:
数字乳腺Tomosynthesis现货压缩澄清模棱两可的结果
AI印度生物技术部对乳房x光检查Post-breast治疗的影响
ImageCare中心推出粉色更好Mammo服务有深刻的人工智能