基于深度学习和阈值分割方法对乳腺MRI中背景实质强化自动分类的研究

摘要：

目的:探讨基于深度学习和阈值分割方法对乳腺磁共振成像(magnetic resonance imaging,MRI)背景实质强化(background parenchymal enhancement,BPE)自动分类的可行性.方法:回顾并分析2010年1月—2018年10月北京大学第一医院行乳腺MRI检查的547例乳腺癌患者的影像学资料.由2名高年资放射科医师共同评估,依据乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)对健侧乳腺的BPE进行人工BPE的4分类作为金标准.先用训练好的深度学习U-Net 3D模型分割乳腺纤维腺体组织(fibroglandular tissue,FGT)区域,分割效果的评价指标为Dice相似性系数(Dice similarity coefficient,DSC).再利用阈值分割技术获取BPE区域,计算BPE体积与FGT体积的比值得到自动BPE分类,并生成到结构化报告中.将自动BPE分类与人工BPE分类进行比较,以混淆矩阵进行效能分析,计算总准确度、F1值和Kappa值.结果:U-Net 3D模型对547个数据FGT分割的平均DSC为0.902.通过阈值分割技术计算得到自动BPE分类结果的整体准确度为0.95(95％CI:0.88～0.93),宏平均F1为0.84,微平均F1为0.90,Kappa为0.81(95％CI:0.76～0.86).结论:基于深度学习和阈值分割技术对乳腺MRI背景强化的自动化分类是可行的,有潜在的临床应用价值.

关键词：乳腺癌;深度学习;阈值分割;磁共振成像;背景实质强化;结构化报告

所属期刊栏目：30

分类号：R737.9;R445.2(肿瘤学)

在线出版日期：2021-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：332-338