基于动态增强磁共振成像的人工智能乳腺肿瘤良恶性分类分析

摘要：

本研究回顾性分析了198例女性患者的乳腺动态增强磁共振成像（DCE-MRI）图像序列，年龄21~79（45.5±13.7）岁。以病理检查为金标准，采用深度学习方法建立CBAM-ResNet自动分类模型，统计图像级别的分类结果，同时结合集成学习思想得到患者个体的分类结果。基于残差网络的CBAM-ResNet分类模型在单张图像层面对乳腺肿瘤的分类准确率达到82.69%，灵敏度为85.67%。采用投票机制后，在患者层面的分类准确率为88.24%，灵敏度为87.50%。试验结果表明该分类算法具有较高的诊断准确率。

关键词：乳腺肿瘤、DCE-MRI、深度学习、残差网络、集成学习

所属期刊栏目：101

资助基金：江苏省级重点研发计划项目BE2019710;苏州市科技计划项目SYS2019008;常州市科技计划项目CE20195001;Jiangsu Key Technology Research Development ProjectsBE2019710;Suzhou Science and Technology ProjectsSYS2019008;Changzhou Science and Technology ProjectsCE20195001

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：3029-3032