典型文献
基于深度学习模型对MRI乳腺强化病灶形态分类的初步研究
文献摘要：
目的探索基于深度学习对MRI图像上乳腺强化病灶形态分类的可行性.资料与方法连续性收集并回顾分析2013年1月—2016年10月北京大学第一医院行双侧乳腺MR动态增强的290例患者的资料,使用既往研发的3D分割模型分割出乳腺中异常强化区域,由2位影像诊断医师根据第5版乳腺影像报告和数据系统病变分型(肿块、非肿块样强化)对375个图像进行分类.将上述数据按8:1:1随机分为训练集(n=297)、调优集(n=39)和测试集(n=39),使用AutoVGG网络训练分类预测模型,以测试集的混淆矩阵评价模型的效能.结果2位影像医师对于乳腺病灶肿块与非肿块划分的初始一致性为0.917(344/375).测试集39个数据中,26个为肿块,13个为非肿块样强化.肿块及非肿块样强化病例的三维径线(左右、前后、上下)及体积差异均无统计学意义(P均>0.05).测试集39个数据的预测准确率为0.87,敏感度为0.96,特异度为0.69,精确度为0.86,F1评分为0.91.结论使用深度学习方法进行乳腺MRI图像上强化病灶形态分类是可行的,有望在临床工作中应用.
文献关键词：
乳腺肿瘤;深度学习;磁共振成像;非肿块样强化;结构式报告
中图分类号：
作者姓名：
刘义;秦乃姗;马明明;王祥鹏;张耀峰;王霄英
作者机构：
北京大学第一医院医学影像科,北京 100034;北京赛迈特锐医学科技有限公司,北京 100011
文献出处：
引用格式：
[1]刘义;秦乃姗;马明明;王祥鹏;张耀峰;王霄英-.基于深度学习模型对MRI乳腺强化病灶形态分类的初步研究)[J].中国医学影像学杂志,2022(05):457-462
A类：
AutoVGG
B类：
深度学习模型,病灶形态,形态分类,回顾分析,北京大学第一医院,动态增强,分割模型,模型分割,割出,影像诊断,乳腺影像报告和数据系统,非肿块样强化,训练集,调优,测试集,网络训练,分类预测模型,混淆矩阵,矩阵评价,乳腺病灶,径线,预测准确率,使用深度,深度学习方法,临床工作,乳腺肿瘤,磁共振成像,结构式报告
AB值：
0.309342
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
