基于深度学习的乳腺数字化X线BI-RADS密度分类的研究

• 作者: 宁艳云 崔曹哲 李延涛 李灯熬 武慧慧 贾田菊 马彦云
• 来源期刊: 山西医科大学学报
• 学科: 医学
• 关键词: 乳腺X线密度 BI-RADS 全数字化乳腺X线摄影 深度学习 CNN ResNet 50
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 临床医学
• 页码范围: 506-510
• 页数: 5页
• 分类号: R814
• 字数: 4430字
• 语种: 中文

摘要

目的 为了确保基于ACR BI-RADS乳腺X线密度评估的一致性和准确性, 本研究构建基于深度学习的乳腺数字化X线密度的自动分类模型, 使之达到对乳腺密度的精准分类.方法 在研究中, 构建并优化基于深度学习的卷积神经网络 (CNN) 的经典模型ResNet 50.收集本院于2015-08～2018-02间行全数字化乳腺摄影图像18 152幅, 由两位有经验的放射科医师根据ACR BI-RADS标准对图像的乳腺密度进行评估.各自经微调的分类模型分别在小数据集 (4 000幅) 和原始数据集 (18 152幅) 对乳腺密度的分类进行评估, 得到相应的分类准确性, 以受试者工作特性曲线和曲线下面积评估模型的分类性能.结果 CNN模型在小数据集训练时, 各类的分类准确性分别为a类91％, b类86％, c类84％, d类90％;当在原始数据集训练时, a类和d类的分类准确性无明显变化, b类和c类的准确性分别为89％和88％, 随着数据量的增加, 准确率明显提高, 比较AUC发现分类性能明显改善.结论 基于深度学习的卷积神经网络 (CNN) 分类模型能以较高的准确率对乳腺密度进行分类, 在临床工作中, 可协助放射科医师对乳腺密度进行准确、一致的分类.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李灯熬	太原理工大学大数据学院智能感知与大数据研究所	76	285	7.0	12.0
2	马彦云	山西医科大学第一医院放射科	23	75	4.0	7.0
3	贾田菊	山西医科大学影像系	5	8	2.0	2.0
4	宁艳云	山西医科大学影像系	7	8	2.0	2.0
5	李延涛	太原理工大学大数据学院智能感知与大数据研究所	1	1	1.0	1.0
6	武慧慧	山西医科大学影像系	3	1	1.0	1.0
7	崔曹哲	山西医科大学影像系	3	1	1.0	1.0