换一批基于深度学习的乳腺数字化X线BI-RADS密度分类的研究
Study on density classification of breast digital X-ray BI-RADS based on deep learning
摘要目的 为了确保基于ACR BI-RADS乳腺X线密度评估的一致性和准确性, 本研究构建基于深度学习的乳腺数字化X线密度的自动分类模型, 使之达到对乳腺密度的精准分类.方法 在研究中, 构建并优化基于深度学习的卷积神经网络 (CNN) 的经典模型ResNet 50.收集本院于2015-08～2018-02间行全数字化乳腺摄影图像18 152幅, 由两位有经验的放射科医师根据ACR BI-RADS标准对图像的乳腺密度进行评估.各自经微调的分类模型分别在小数据集 (4 000幅) 和原始数据集 (18 152幅) 对乳腺密度的分类进行评估, 得到相应的分类准确性, 以受试者工作特性曲线和曲线下面积评估模型的分类性能.结果 CNN模型在小数据集训练时, 各类的分类准确性分别为a类91％, b类86％, c类84％, d类90％;当在原始数据集训练时, a类和d类的分类准确性无明显变化, b类和c类的准确性分别为89％和88％, 随着数据量的增加, 准确率明显提高, 比较AUC发现分类性能明显改善.结论 基于深度学习的卷积神经网络 (CNN) 分类模型能以较高的准确率对乳腺密度进行分类, 在临床工作中, 可协助放射科医师对乳腺密度进行准确、一致的分类.
更多相关知识
关键词
乳腺X线密度BI-RADS全数字化乳腺X线摄影深度学习CNNResNet 50mammographic densityBI-RADSfull-field digital mammographydeep learningCNNResnet 50
分类号
R814（放射医学）
栏目名称
发布时间
2019-06-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引7
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
