目的 探讨利用U-Net深度学习模型自动检出乳腺X线摄影图像中的肿块和钙化病灶并测量肿块径线的可行性.方法 回顾性收集乳腺X线图像和报告资料,筛选出影像所见包括乳腺肿块性病变患者156例(334幅X线图像)和钙化性病变患者313例(1 017幅X线图像).由2名医师对乳腺肿块和钙化进行标注,将入组数据按8∶ 1∶ 1的比例随机分为训练集、调优集和测试集,分别训练肿块和钙化的U-Net分割模型.以测试集中肿块和钙化的Dice相似性系数(DSC)值评价模型的分割效果.分别以图像为单位、以病灶为单位计算模型对肿块和钙化的检出率.对图像中最大肿块,使用Bland-Altman分析比较模型预测的径线与医生标注肿块径线的一致性.模型输出肿块的长径和短径,自动输入乳腺影像报告和数据系统(BI-RADS)结构化报告中.结果 肿块分割模型的测试集中(n=30),模型分割的平均DSC为87.9,以病灶为单位有90.0％(36/40)病灶被检出,以图像为单位有93.3％(28/30)病灶被检出.钙化分割模型的测试集中(n=99),模型分割的平均DSC为88.6,以病灶为单位有93.9％(524/558)病灶被检出,以图像为单位有98.0％(97/99)病灶被检出.全部数据集中,279幅图像中模型预测与手工标注的最大肿块是相同的,肿块短径的测量值(X)在2种方法的平均差值为0.1 mm[95％置信区间(CI)-2.2～2.3 mm],肿块长径的测量值(Y)在2种方法的平均差值为0.1 mm(95％CI-1.2～1.3 mm).结论 U-Net深度学习模型对检出乳腺X线图像中肿块和钙化病灶具有较高敏感度,模型输出的肿块径线有较高的准确度,结果可自动输入结构化报告.

乳腺X线摄影;深度学习;肿块;钙化;结构化报告

马明明;姜原;刘义;张大斗;张耀峰;张晓东;秦乃姗;王霄英

北京大学第一医院医学影像科,北京 100034;北京赛迈特锐医疗科技有限公司,北京 100011

实用放射学杂志

[1]马明明;姜原;刘义;张大斗;张耀峰;张晓东;秦乃姗;王霄英-.基于深度学习模型对乳腺X线摄影图像中钙化和肿块病变的检测研究)[J].实用放射学杂志,2022(09):1451-1455

深度学习模型,摄影图像,Net,动检,径线,所见,乳腺肿块,性病变,钙化性,名医,训练集,调优,测试集,分割模型,Dice,相似性系数,DSC,分割效果,以图,大肿块,Bland,Altman,比较模型,模型输出,长径,乳腺影像报告和数据系统,BI,RADS,结构化报告,模型分割,测量值,平均差,置信区间,块长,灶具

0.253287