Nov, 2023

乳腺 X 光摄影图像中基于 BI-RADS 的机器学习分类性能

PDF
TL;DR通过使用来自 1,540 名患者的 2,945 张乳腺超声图像，研究了不同 BI-RADS 定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明，使用多种先进的分类架构（包括 VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet 和 Vision Transformers），而非传统的机器学习模型，通过全方位的分析，我们的计算机辅助诊断 (CAD) 系统显著提高了准确性，在全 fine-tuning 设置下的准确率为 76.39% 和 F1 分数为 67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高，为未来旨在改善医学成像 CAD 系统的精确度和可靠性的努力奠定了坚实的基础。
breast ultrasound imagesimage classification modelsbi-radsclassification architecturescomputer-aided diagnosis (cad) system
发现论文，激发创造
  • 人工智能模型乳腺 X 线筛查的性能差距 -- 迈向公平和可解释的模型

    通过分析筛选乳腺 X 线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

    May, 2023

  • 乳腺癌检测和分割的多任务框架下 BI-RADS 描述符的事后解释性

    提出了 MT-BI-RADS 方法，通过三个层次的解释提高放射科医生对乳腺超声图像中肿瘤恶性程度预测过程的理解。

    Aug, 2023

  • 乳腺摄影报告所述结果与结论之间的一致性监测的监督式机器学习算法

    开发了一个工具，通过将报告的结论与基于放射学结果的预期结论进行比较，检测乳腺 X 线摄影报告中的非标准术语和不完整语句。使用术语规范化和机器学习分类方法，可以将报告分类为七个 BI-RADS 最终评估类别，并提供了相应的语义相似性分数。该方法可以自动检测 BI-RADS 描述符和预期的最终评估类别，具有相当高的准确性。

    Feb, 2022

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 使用启发式辅助的 Trans-Res-U-Net 和多尺度 DenseNet 进行乳腺癌智能诊断

    通过提出的深度学习方法，利用乳房 X 线摄影图像进行乳腺癌筛查，本研究展示了该方法在早期疾病检测方面具有更高的准确率，从而有可能提升基于乳房 X 线摄影的筛查方法学。

    Oct, 2023

  • 学习乳腺超声病变检测的临床相关概念瓶颈

    应用于乳腺超声图像中的人工智能模型具有潜在的减轻癌症负担的应用前景。本研究提出了一种能够解释其预测结果的可解释人工智能模型，并通过预测具有特定临床意义的乳腺影像学术语来方便放射科医师审查和纠正错误，从而提高癌症分类的性能。

    Jun, 2024

  • RADIFUSION: 一种基于多放射组学、深度学习的乳腺癌风险预测模型，利用序列乳腺 X 射线照片、图像注意力和双侧不对称性通道的优化

    通过序列乳腺摄影及深度学习方法，RADIFUSION 可以对乳腺癌患者的筛查进行风险评估，通过多样的深度学习机制和双侧不对称微调等方法来提高模型精度，并在 Cohort of Screen-Aged Women (CSAW) 数据集上显著提高了 1 年内、2 年内和 > 2 年的病人所受风险的区分度，是一种因素多样的乳腺癌风险评估工具。

    Apr, 2023

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020