10.3760/cma.j.cn112137-20210128-00269
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
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。
乳腺肿瘤、DCE-MRI、深度学习、残差网络、集成学习
101
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
2023-05-30(万方平台首次上网日期,不代表论文的发表时间)
共4页
3029-3032