5.23.1 深度学习在乳腺癌成像中的应用

乳腺成像在早期发现乳腺癌以及在治疗期间监测和评估乳腺癌方面发挥着重要作用。最常用的乳腺成像方式是数字乳房X线摄影、数字乳腺断层合成、超声和磁共振成像。

传统的 CAD 系统基于传统的机器学习 (ML) 技术;预定义(手工制作)的特征是系统的输入。

1. 乳房成像方式简介

通常,乳房成像是使用数字乳房X线摄影(DM)、数字乳房断层合成(DBT)、超声(US)、磁共振成像(MRI)或上述的组合来进行。在 DM 中,X 射线穿过乳房并由数字 X 射线探测器收集,创建乳房的二维 (2D) 图像。然而,它存在组织叠加的问题。特别是在致密乳房(纤维腺体组织密度较高的乳房)中,纤维腺体组织掩盖病变的机会很高。

在 DBT 中,从稍微不同的位置进行多次 X 射线扫描,从而产生与 DM 相比叠加效应减少的(部分)断层扫描图像。 DBT 的一个缺点是其解释更加困难,导致阅读时间增加。

进行超声检查时,声波通过乳房发送,同时检测到反向散射波。根据检测到的波,构建超声图像。超声图像是实时显示的,这意味着超声手术需要由放射科医生执行并直接评估。然而,用超声波记录整个乳房是很困难的。此外,与 DBT 和 DM 相比,US 图像可能难以解释,并且频繁检测良性乳腺病变会导致许多不必要的活检。

MRI 使用强磁场和短脉冲无线电波来激发乳房/人体特定位置内的水分子,这些水分子在回到基态时会自行发射无线电波。这些无线电波被检测到并转化为 3D MRI 扫描。与 DM、DBT 和 US 相比,MRI 是乳腺癌最敏感的检查方式。乳腺 MRI 需要静脉注射造影剂,是一种相对昂贵的方法。

2. 人工智能和深度学习

输入到机器学习程序中的数据可以以两种形式表示:特征或原始数据。特征是数据中可以量化的变量,例如病变长度,而乳腺癌成像中的原始数据是 DM/US/MRI 扫描。

如果输入是原始数据,则算法需要自己查找特征。这些学习到的特征通常会比使用手工特征获得更好的性能。

 一名 45 岁女性的数字乳房 X 线摄影、超声和磁共振扫描,左乳房患有浸润性导管癌(如红色箭头所示)。左:数字乳房X光检查,中:超声波,右:磁共振。

在分割/检测的情况下,并交比(IoU)和 Dice 相似系数 (DSC) 主要用作度量,这两个指标都用于衡量两个样本之间的空间重叠程度。检测任务的目标是尽可能小地绘制一个边界框来包围目标对象(如恶性病变),IoU和 DSC 得分在这种情况下表示的是 真实边界框 与 模型预测的边界框 之间的空间重叠程度。理想情况下,预测边界框应该紧密地贴合真实边界框,从而得到较高的IoU或DSC得分。

3. 数字乳房X线摄影(DM)和数字乳房断层合成(DBT)

候选病变(也称为感兴趣区域 (ROI))首先是手动从整个 DM 或 DBT 扫描中提取的或者使用传统的 CAD 方法。首先使用先前开发的乳腺 X 线病变算法直接从图像块中提取特征,并使用随机森林分类器来选择候选者。

上图:首先通过手动或传统方法选择感兴趣区域 (ROI),然后深度学习模型对 ROI 进行分类。下图:DL 模型直接对乳房 X 光照片进行分类,无需预先选择 ROI。

为了充分利用深度学习,将 CAD 系统的输入从包含可疑区域的小补丁更改为使用完整的 DM 和 DBT 扫描。                直接在乳房 X 光照片上使用 DL 而不是可疑病变斑块是有益的。

为了对恶性肿瘤做出深思熟虑的决定,放射科医生不仅使用包含可疑病变的乳房图像,还查看双边差异(左右乳房之间的差异)和时间差异(上次和之前扫描之间的差异)。

由于数字化屏幕胶片乳房 X 光检查 (SFM)、DM 扫描和 DBT 扫描之间存在很大相似性,因此可以结合这些模式对 DCNN 进行训练,从而创建更大的数据集并产生性能更好的 CAD。

除了检测和分类之外,在过去几年中,人工智能还被用于开发更准确的风险预测模型。过去大多数风险预测模型都基于乳房 X 光密度等,但这些模型使用实际的乳房X光检查可以估计患者将来是否会患上癌症。

生成对抗网络(GAN),如果训练得当,它可以生成与训练集中的图像具有相似分布的新图像。例如,GAN 现在用于乳腺癌成像,通过 DBT 扫描生成合成数字乳房 X 光照片 (SDM),以减少辐射剂量或检测很难提取有效特征的非常小的微钙化。

4. 超声图像

超声图像 的数据集通常小于 DM 集,这主要是因为 超声图像 没有广泛用于筛选目的。除了迁移学习之外,提高小数据集性能的一种众所周知的其他或补充方法是数据增强。数据增强是通过旋转、翻转、移动等方式从现有数据创建“额外”数据的过程。

在纵向上执行图像旋转或移位可能会改变乳腺肿块的已知属性,从而导致分类性能的潜在下降。这是因为“高大于宽”(即垂直方向)的病变比“宽大于高”的病变更容易发生恶性。

放射科医生不会将可疑病变分为良性和恶性,而是使用乳腺影像报告和数据系统 (BI-RADS) 对病变进行分类。

在超声图像中,除了病变分类,深度学习还用于病变检测。为了进行检测,相关图像被输入 CAD 系统,随后确定病变是否存在。可以使用常规超声图像或 3D 自动乳房超声扫描 来完成。后者的优势在于可以标准地捕捉整个乳房。

在观察到乳房中的可疑病变后,放射科医生通常会通过超声成像检查腋窝淋巴结是否有转移。

5. 磁共振成像

DM、DBT 和 US 生成 2D 图像,而 MRI 创建 3D 扫描。此外,还可以观察随时间变化的 MRI 序列,例如造影剂的流入或流出(动态对比增强 (DCE) MRI),进一步将维度扩展到 4D。在这些 3D 或 4D MRI 扫描中使用医学界之外创建的 DL 模型时可能会出现问题,因为大多数模型都是为在 2D 图像上运行而开发的。

最常用的方法是将 3D 图像转换为 2D 图像,从而可以使用标准 2D DL 模型。这可以通过将 3D MRI 图像划分为 2D 切片或使用最大强度投影 (MIP) 来完成。然而,许多标准深度学习模型是针对彩色图像开发的,例如具有红、绿、蓝 (RGB) 3 通道的图像。这意味着这些模型的输入是 3D 图像,其中第三维由 3 个颜色通道创建。由于 MRI 扫描是灰度图像,它们仅包含 1 个颜色通道,因此 3 个切片或 MIP 可以用作 1 个输入图像。这使得获得具有 3 个连续切片的半 3D MRI 输入图像,或在 1 个输入图像中包含多个对比后切片或 MIP 成为可能。其他方法包括使用实际的 3D MRI 扫描并修改现有的 2D DL 模型来处理 3D 数据,或者使用专门设计用于处理 3D 数据的模型(例如 DenseNet)。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/839070.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【堡垒机小知识】堡垒机和接口机的重要区别分析

在企业IT架构管理中,接口机和堡垒机各自扮演着不可或缺的角色。但不少IT小伙伴对于两者不是很了解,不知道两者之间有什么区别,今天我们就来一起分析一下。 堡垒机和接口机的重要区别分析 1、功能区别 接口机主要用于数据库层面的数据交换和…

Linux多线程系列2: 模拟封装简易语言级线程库,线程互斥和锁,线程同步和条件变量,线程其他知识点

Linux多线程系列2: 模拟封装简易语言级线程库,线程互斥和互斥锁,线程同步和条件变量,线程其他知识点 1.前言 一.模拟C11线程库自己封装简易语言级线程库1.实现框架2.迅速把构造等等函数写完3.start和work1.尝试一2.尝试二3.最终版本4.给出代码 二.模拟实现多线程(为编写线程池做…

代码随想录训练营Day34:背包问题解决打家劫舍

1.198打家劫舍 1.dp数组的含义:dp[i]表示从第零个偷到第i个能够偷到的最大价值。 2.递推公式:分成两种情况: 偷第i个的情况下的最大值,注意此时第i-1个肯定是不偷的,所以此时dp[i] dp[i-2]nums[i];>dp[j] dp[j…

Unity数据持久化2——XML

简介: 基础知识 XML文件格式 XML基本语法 XML属性 练习: C#读取存储XML XML文件存放位置 读取XML文件 练习: 存储修改XML文件 练习: 总结 实践小项目 必备知识点 必备知识点——C#中XML序列化 必备知识点——C#中XML反序列化 必备…

java 线程执行原理,java线程在jvm中执行流程

java 线程执行原理,java线程在jvm中执行流程 从jvm视角看java线程执行过程 ##首先thread.c注册jni函数 JNIEXPORT void JNICALL Java_java_lang_Thread_registerNatives(JNIEnv *env, jclass cls) {(*env)->RegisterNatives(env, cls, methods, ARRAY_LENGTH(…

第八课,分支语句嵌套、随机数函数、初识while循环

一,分支结构的嵌套语法 在 Python 中,分支结构可以嵌套,这意味着你可以在一个条件语句中包含另一个条件语句。嵌套的分支结构可以让你更灵活地控制程序的逻辑流程。 怎么理解呢?打个比方:放学后,请三年级…

【MySQL精通之路】MySQL8.0新增功能-原子DDL语句支持

太长不看系列: 本文一句话总结,MySQL8.0支持多条DDL语句执行时的原子性了(仅限Innodb) 本文属于下面这篇博客的子博客: 【MySQL精通之路】MySQL8.0官方文档-新增功能 1.意义描述 MySQL 8.0支持原子数据定义语言&…

知乎广告推广开户最低需要多少钱?

精准高效的广告推广,是企业成功的关键,知乎作为知识分享与交流的高端平台,汇聚了大量高质量用户群体,无疑是品牌传播与产品推广的黄金之地。云衔科技作为您数字营销旅程中的得力伙伴,正以专业的知乎广告开户及代运营服…

快速搭建本地全文搜索

MeiliSearch 说起全文检索,在项目开发中,用的最多的就是 ElaticSearch 了,ElaticSearch 是基于 Apache Lucene 开发的全文检索服务,是一个端到端的解决方案,因此,部署和维护都非常复杂。今天介绍的这个全文…

AI配音可以商用吗?

随着人工智能技术的迅猛发展,AI配音技术在近几年的进步尤为显著。从最初的机械合成音到如今的智能语音合成,AI配音已经在广告、教育、媒体等领域中崭露头角,展现出其无限的潜力和广阔的应用空间。 AI配音技术的发展历程 AI配音技术起源于语…

如何在go项目中实现发送邮箱验证码、邮箱+验证码登录

前期准备 GoLand :2024.1.1 下载官网:https://www.jetbrains.com/zh-cn/go/download/other.html Postman: 下载官网:https://www.postman.com/downloads/ 效果图(使用Postman) Google: QQ: And …

【星海随笔】微信小程序(二)

WXML 模板语法 - 数据绑定 在data中定义页面的数据 在页面对应的 .js 文件中,把数据定义到 data 对象中即可: Page({data: {// 字符串类型的数据info: init data,// 数据类型的数据msgList: [{msg: hello},{msg: world}]} })Mustache 语法的格式 把 …

jQuery值操作例子 (代码)

直接上代码 <!DOCTYPE html> <html><head></head><body><div id"x1">例子</div><script src"js/jquery-3.7.1.min.js"></script><script>console.log($("#x1").text()) // 在浏览…

创建vue工程、Vue项目的目录结构、Vue项目-启动、API风格

环境准备 介绍&#xff1a;create-vue是Vue官方提供的最新的脚手架工具&#xff0c;用于快速生成一个工程化的Vue项目create-vue提供如下功能&#xff1a; 统一的目录结构 本地调试 热部署 单元测试 集成打包依赖环境&#xff1a;NodeJS 安装NodeJS 一、 创建vue工程 npm 类…

自定义横向思维导图,横向组织架构图,横向树图。可以自定义节点颜色,样式,还可以导出为图片

最近公司设计要求根据目录结构&#xff0c;横向展示。所以做了一个横向的思维导图&#xff0c;横向的树结构&#xff0c;横向的组织架构图&#xff0c;可以自定义节点颜色&#xff0c;样式&#xff0c;还可以导出为图片 话不多说&#xff0c;直接上图片&#xff0c;这个就是一…

使用redis优化纯真IP库访问

每次请求都需要加载10m的纯真IP qqwry.dat 文件&#xff0c;自己测试不会发现问题&#xff0c;但如果访问量上去了&#xff0c;会影响每次请求的相应效率&#xff0c;并且会消耗一定的io读写&#xff0c;故打算优化 优化方案 每个IP区间之间不存在交集&#xff0c;每个查找只要…

【已验证】debian12 更换国内源

1. 编辑 /etc/apt/sources.list 文件 sudo nano /etc/apt/sources.list2. 清空 sources.list 文件里的内容&#xff0c;讲下面内容拷贝到 sources.list deb http://mirrors.163.com/debian/ bookworm main contrib non-free non-free-firmware deb http://mirrors.163.com/de…

Nginx 代理与 Proxy 插件整合的最佳实践

推荐一个AI网站&#xff0c;免费使用豆包AI模型&#xff0c;快去白嫖&#x1f449;海鲸AI 写在前面 本文将介绍 Nginx 的正向代理配置以及如何与 Proxy 插件进行整合。正向代理是一种代理服务器&#xff0c;它代表客户端向目标服务器发送请求&#xff0c;并将响应返回给客户端…

【Linux】- HBase集群部署 [19]

简介 apache HBase是一种分布式、可扩展、支持海量数据存储的 NoSQL 数据库。 和Redis一样&#xff0c;HBase是一款KeyValue型存储的数据库。 不过和Redis涉及方向不同 Redis设计为少量数据&#xff0c;超快检索HBase设计为海量数据&#xff0c;快速检索 HBase在大数据邻域…

【python】python省市水资源数据分析可视化(源码+数据)【独一无二】

&#x1f449;博__主&#x1f448;&#xff1a;米码收割机 &#x1f449;技__能&#x1f448;&#xff1a;C/Python语言 &#x1f449;公众号&#x1f448;&#xff1a;测试开发自动化【获取源码商业合作】 &#x1f449;荣__誉&#x1f448;&#xff1a;阿里云博客专家博主、5…