基于深度学习的乳腺MRI图像自动分类研究OA北大核心CSTPCD

目的 为了实现图像性质的自动甄别,通过深度学习技术和程序构建多参数乳腺MRI图像自动分类模型并验证其效能。材料与方法 回顾性收集我院2010年1月至2020年11月乳腺MRI图像质量合格数据862例(数据集Ⅰ),按序列分三类:T2WI、T2WI脂肪抑制序列(fat-suppressed T2WI, FS T2WI)、表观扩散系数(apparent diffusion coefficient, ADC),训练序列分类模型。回顾性收集我院2013年2月至2020年4月乳腺MRI图像质量合格数据377例(数据集Ⅱ),按动态对比增强(dynamic contrast-enhanced, DCE)-MRI期相特征分三类:无对比剂期(no-contrast, NoC)、对比剂增强早期(contrast enhanced early,CEearly)、对比剂增强期(contrast enhanced, CE),训练DCE期相分类模型。回顾性收集我院2021年10月至2021年12月乳腺MRI图像质量合格数据95例(数据集Ⅲ),用于模型(序列和DCE期相)预测效能的独立验证,并通过程序对数据集Ⅲ中的扩散加权成像(diffusion weighted imaging, DWI)参数进行分类:DWI-high和DWI-low。以影像医师依据图像序列、强化特点及参数进行分类的结果为金标准,采用混淆矩阵的方法评价模型的分类效能。结果 在序列分类模型中,总体准确率为92.0%,对ADC、T2WI、FS T2WI各自分类的准确率为100.0%、84.9%、100.0%;在DCE期相分类模型中,总体准确率为90.4%,对NoC、CEearly、CE各自分类的准确率为89.7%、39.2%、95.7%;程序在DWI参数分类中,对DWI-high和DWI-low的分类结果与医师完全一致。结论 利用深度学习模型和程序技术对多参数乳腺MRI进行图像序列、期相和参数分类,输出结果与医师分类结果一致性高,基本满足临床需要。