MobileNetV2对乳腺X线BI-RADS 4类病变的降级作用初步研究
目的 探讨基于MobileNetV2深度迁移学习(DTL)对乳腺X线摄影乳腺影像报告和数据系统(BI-RADS)4类病变降级分类的价值.方法 将良性组、恶性组图像分别按照9:1随机分为训练集(良性组9346幅,恶性组4421幅)和测试集(良性组1038幅,恶性组491幅).通过模型微调构建基于MobileNetV2的DTL模型,并对9346幅良性组和4421幅恶性组乳腺X线图像进行学习,另外搜集由5位影像科医师报告的乳腺X线BI-RADS 4类病变患者共382例作验证集.每个病变均选择头尾位(CC位)和内外斜位(MLO位)两幅图像进行验证,如有1幅图像归类正确,则判断为该例归类正确.以验证集准确率、召回率、F1评分及受试者工作特征曲线(ROC)曲线下面积(AUC)作为DTL模型的性能指标.结果 模型在训练集和测试集准确率分别为100％、98％.在验证集准确率、召回率、F1评分及AUC分别为0.91、0.91、0.91和0.91.模型对BI-RADS 4A、4B、4C类病变降级比例分别为87.7％、80.2％和75.2％.对BI-RADS 4类病变总体降级比例为81.9％,且DTL模型与病理组织学在对乳腺X线摄影良恶性病变的分类诊断结果差异无统计学意义(P=0.206).结论 基于MobileNetV2的DTL模型是乳腺X线摄影BI-RADS 4类病变降级的有效方法.
MobileNetV2、深度迁移学习、乳腺X线摄影、乳腺病变
41
R737.9;R445.1;TP391.41
2023-01-07（万方平台首次上网日期，不代表论文的发表时间）
共6页
1868-1873
