概述在乳腺癌筛查中辨别召回良性的乳腺摄影
概述：在乳腺癌筛查中辨别召回良性的乳腺摄影图像的深度学习
DeepLearning深度学习辣汤小组7月3日
匹兹堡大学医学院SarahS.Aboutalib教授团队探索了一种深度学习方法，以区分良性乳房x线摄影图像与阴性检查和恶性肿瘤。并在医学杂志Clinicalcancerresearch（IF:12.）上发表题为“DeepLearningtoDistinguishRecalledbutBenignMammographyImagesinBreastCancerScreening”的文章。DOI:10./-.CCR-18-
乳房X线摄影是临床上用于普通人群的标准乳腺癌筛查检查，在乳腺癌的早期发现和降低死亡率方面已被证明是有效的。数字乳房x线摄影筛查中的假阳性导致高召回率(在筛查乳房X光检查后要求女性再做一次检查），导致患者不必要的医疗程序和医疗保健成本。该团队研究了一种端到端深度学习的CNN模型，以区分召回良性的乳房x线摄影图像与阴性检查和恶性检查。该模型可以帮助放射科医生预测哪些患者/图像可能被召回，但最有可能是良性的。
该团队构建了深度学习卷积神经网络模型，将乳腺摄影图像分为恶性(乳腺癌)、阴性(无乳腺癌)和召回良性类别。来自两个独立乳房x线摄影数据集(全视场数字乳房x线摄影数据集(FFDM)）和数字化胶片数据集(筛查乳房x线摄影的数字数据集(DDSM))的3，名患者的总共14，幅图像被用于各种设置中，用于训练和测试CNN模型（图1）。生成ROC曲线，计算AUC作为分类准确度的度量。
该团队利用这两个数据集进行了四个不同的实验，测试了CNN模型在六种分类场景下的性能。这四个实验包括:(一)仅将FFDM数据集用于训练和测；（结果见图2）（二）仅将DDSM数据集用于训练和测试，以确定该CNN模型在独立数据集上的表现（结果见图3）；(三)通过组合数据集(混合)将FFDM和DDSM数据集一起用于训练和测试（结果见图4）；(四)通过在DDSM数据集上预处理CNN模型，在ImageNet数据集上预处理后，使用增量转移学习。（图5）如实验结果所示，该团队证明了在两个不同的成像数据集上发现六个分类场景的细微成像差异是可行的。
总而言之，该团队基于深度学习的CNN模型可以区分三种不同的影像阅读类别(恶性、负性和回忆性-良性)，此研究具有巨大的潜力，可以将基于深度学习的人工智能融入乳腺癌筛查的临床工作流程，以提高放射科医生对乳房X光照片的解释，最终有助于减少错误回忆。
图1使用的训练和测试图像的数量
图2用于在FFDM数据集上分类的深度学习CNN模型的性能结果
图3用于在DDSM数据集上分类的深度学习CNN模型的性能结果
图4使用用于训练和测试的FFDM和DDSM组合数据集进行分类的深度学习CNN模型的性能结果
图5深度学习CNN模型在不同预训练策略上的性能比较
深度学习辣汤AI小组由徐州医科大学医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码
