典型文献
基于多模态MRI与深度学习的乳腺病变良恶性鉴别
文献摘要：
为提高基于动态增强磁共振成像(DCE-MRI)的计算机辅助(CAD)方法对乳腺病变良恶性鉴别的精度,本文基于多模态特征融合,提出一种联合非对称卷积和超轻子空间注意模块的卷积神经网络AC_Ulsam_CNN.首先,采用迁移学习方法预训练模型,筛选出对乳腺病变良恶性鉴别最为有效的DCE-MRI扫描时序.而后,基于最优扫描时序图像,搭建基于AC_Ulsam_CNN网络的模型,以增强分类模型的特征表达能力和鲁棒性.最后,将影像特征与乳腺影像数据报告和数据系统(BI-RADS)分级、表观扩散系数(ADC)和时间-信号强度曲线(TIC)类型等多模态信息进行特征融合,以进一步提高模型对病灶的预测性能.采用五折交叉验证方法进行模型验证,本文方法获得了0.826的准确率(ACC)和0.877的受试者工作曲线下面积(AUC).这表明该算法在小样本量数据下可较好区分乳腺病变的良恶性,而基于多模态数据的融合模型也进一步丰富了特征信息,从而提高病灶的检出精度,为乳腺病灶良恶性的自动鉴别诊断提供了新方法.
文献关键词：
动态增强磁共振成像;卷积神经网络;多模态特征融合;乳腺病变;良恶性鉴别
中图分类号：
作者姓名：
杨一风;祁章璇;聂生东
作者机构：
上海理工大学医学影像工程研究所,上海 200093
文献出处：
引用格式：
[1]杨一风;祁章璇;聂生东-.基于多模态MRI与深度学习的乳腺病变良恶性鉴别)[J].波谱学杂志,2022(04):401-412
A类：
Ulsam
B类：
乳腺病变,良恶性鉴别,动态增强磁共振成像,DCE,计算机辅助,CAD,多模态特征融合,非对称卷积,超轻,子空间,注意模块,迁移学习方法,预训练模型,时序图像,分类模型,特征表达,表达能力,影像特征,乳腺影像,影像数据,数据报告,数据系统,BI,RADS,表观扩散系数,ADC,信号强度,强度曲线,TIC,多模态信息,预测性能,五折交叉验证,验证方法,模型验证,ACC,受试者工作曲线,小样本量,多模态数据,融合模型,特征信息,乳腺病灶,自动鉴别,鉴别诊断
AB值：
0.294264
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。
