基于深度学习的乳腺超声应变弹性图像生成模型的应用研究

Application value of a deep learning-based model for generating strain elastography images using breast grayscale ultrasound images

导出 LinkOut 学术成果认领

摘要目的:探讨基于深度学习模型生成乳腺超声应变弹性图像的应用价值。方法:回顾性收集2019年5月至2022年6月在西京医院行乳腺超声检查的患者的超声图像共1336组，在神经网络中生成对抗网络（GAN）的基础上构建深度学习生成模型，使用训练集882组和验证集354组图像进行模型的训练和调整，另外100组测试集图像使用模型生成弹性图像，比较真实弹性图像和生成弹性图像的相似度。选取4位不同年资医师（高低年资医师各2名）比较两种弹性图像的差异。应用归一化互相关（NCC）值评价两种弹性图像的相似程度，并进行阅片医师真实性评分；基于Tsukuba 5分弹性评分标准，应用Kappa检验比较4位医师弹性评分的一致性，绘制ROC曲线评估不同医师分别结合两种弹性图像应用BI-RADS分类诊断乳腺病灶良恶性的效能。结果:测试集中两种弹性图像相似度的NCC平均值为0.70±0.08，中位数0.70，范围0.50~0.86。真实性评价所有医师得分为0.49，低年资医师得分0.45，高年资医师得分0.53，均接近0.50。比较4位医师弹性评分的一致性Kappa值，生成图像高于真实图像（Kappa值：0.61 vs 0.57）。每位医师分别结合两种弹性图像应用BI-RADS分类的ROC曲线下面积差异无统计学意义（P>0.05），除1名高年资医师的特异度（P=0.0196）和阳性预测值（P=0.021）外，所有医师的敏感度、特异度、阳性预测值、阴性预测值结果差异均无统计学意义（P均>0.05）。结论:基于深度学习构建的乳腺超声应变弹性图像生成模型，能够生成与真实弹性图像相似的弹性图像，并且生成图像在辅助诊断方面达到了与真实图像相近的临床价值。