临床放射学杂志

作者：王文江, 李娇娇, 王梓萌, 石子馨, 崔书君

单位：075000 张家口,河北北方学院研究生学院王文江、王梓萌、石子馨;075000 张家口,河北北方学院附属第一医院医学影像部李娇娇、崔书君

关键词：人工智能,深度学习,乳腺癌,医学影像

基金：本研究系河北省自然科学基金项目(编号:H2023405031)

<b>目的</b> 开发一种深度学习融合多模态磁共振影像神经网络模型,用于乳腺病变的分类,以协助临床医师更好地选择治疗方案。<b>方法</b> 纳入325例接受乳腺MRI检查的患者。并根据病理结果,为每例患者的图像添加标签。然后,将所有患者的图像以7∶1∶2随机分为训练集、验证集和测试集,利用卷积神经网络(CNNs)提取的T₂WI图像和动态对比增强磁共振成像(DCE-MRI)的特征进行融合,分别建立Vgg16和Resnet18的以下模型:T₂+DCE模型、T₂模型和DCE模型。通过受试者工作特征曲线(ROC)曲线下面积(AUC)、准确率、敏感度、特异度、阳性预测值和阴性预测值评估模型的性能。P&lt;0.05为差异有统计学意义。<b>结果</b> 本研究建立的六个模型表现良好。在Vgg16网络中,T₂+DCE模型、T₂模型和DCE模型的AUC分别为0.98、0.70和0.85。Vgg16组内的两两比较P均&lt;0.001。在Resnet18网络中,T₂+DCE模型、T₂模型和DCE模型的AUC分别为0.98、0.63和0.94。Resnet18组内的两两比较P均&lt;0.001。<b>结论</b> 利用深度学习神经网络融合乳腺MRI的T₂WI和DCE-MRI特征的模型可以有效提高乳腺病变的诊断效能。

来源：2024年第11期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第11期