乳腺癌是影響全世界女性的最常見癌癥。據(jù)美國(guó)癌??癥協(xié)會(huì)稱，美國(guó)約有八分之一的女性在其一生中會(huì)患上乳腺癌。雖然不可能完全預(yù)防乳腺癌，但各種醫(yī)療組織建議定期篩查以在早期發(fā)現(xiàn)和治療病例。乳房密度定義為乳房?jī)?nèi)纖維腺體組織的比例，通常用于評(píng)估患乳腺癌的風(fēng)險(xiǎn)。雖然有多種方法可用于估計(jì)此測(cè)量值，但研究表明，放射科醫(yī)生根據(jù)視覺(jué)模擬量表進(jìn)行的主觀評(píng)估比任何其他方法都更準(zhǔn)確。
由于乳房密度的專家評(píng)估在乳腺癌風(fēng)險(xiǎn)評(píng)估中起著至關(guān)重要的作用，因此非常需要開發(fā)可以自動(dòng)估計(jì)這種風(fēng)險(xiǎn)的圖像分析框架，其準(zhǔn)確性與經(jīng)驗(yàn)豐富的放射科醫(yī)生相同。為此，由英國(guó)曼徹斯特大學(xué)的 Susan M. Astley 教授領(lǐng)導(dǎo)的研究人員最近開發(fā)并測(cè)試了一種新的基于深度學(xué)習(xí)的模型，該模型能夠高精度地估計(jì)乳房密度。他們的發(fā)現(xiàn)發(fā)表在醫(yī)學(xué)影像學(xué)雜志上。
“基于深度學(xué)習(xí)的方法的優(yōu)勢(shì)在于它可以從數(shù)據(jù)本身自動(dòng)提取特征，”Astley 解釋說(shuō)。“這對(duì)乳房密度估計(jì)很有吸引力，因?yàn)槲覀儾煌耆斫鉃槭裁粗饔^專家判斷優(yōu)于其他方法。”
通常，由于數(shù)據(jù)集有限，訓(xùn)練用于醫(yī)學(xué)圖像分析的深度學(xué)習(xí)模型是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。然而，研究人員設(shè)法找到了解決這個(gè)問(wèn)題的方法：他們沒(méi)有從頭開始構(gòu)建模型，而是使用了兩個(gè)獨(dú)立的深度學(xué)習(xí)模型，這些模型最初是在 ImageNet 上訓(xùn)練的，ImageNet 是一個(gè)擁有超過(guò)一百萬(wàn)張圖像的非醫(yī)學(xué)成像數(shù)據(jù)集。這種被稱為“遷移學(xué)習(xí)”的方法使他們能夠用更少的醫(yī)學(xué)成像數(shù)據(jù)更有效地訓(xùn)練模型。
研究人員使用來(lái)自 39,357 名女性的近 160,000 張全視野數(shù)字乳房 X 光圖像，這些圖像由專家(放射科醫(yī)師、高級(jí)放射技師和乳腺醫(yī)師)在視覺(jué)模擬量表上分配了密度值，開發(fā)了一種程序來(lái)估算每張乳房 X 光圖像的密度分?jǐn)?shù).目標(biāo)是將乳房 X 光圖像作為輸入，并生成密度分?jǐn)?shù)作為輸出。
該過(guò)程涉及對(duì)圖像進(jìn)行預(yù)處理以降低訓(xùn)練過(guò)程的計(jì)算強(qiáng)度，使用深度學(xué)習(xí)模型從處理過(guò)的圖像中提取特征，將特征映射到一組密度分?jǐn)?shù)，然后使用集成方法組合這些分?jǐn)?shù)以產(chǎn)生最終的密度估計(jì)。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！