目的构建基于乳腺X线多视图的深度学习框架(Network based on mammography multiple views,MMV-Net),评价模型对乳腺良性和恶性肿块的分类效能。方法回顾性分析2018-2020年哈尔滨医科大学附属肿瘤医院1585例乳腺X线图像数据集,其中良性...目的构建基于乳腺X线多视图的深度学习框架(Network based on mammography multiple views,MMV-Net),评价模型对乳腺良性和恶性肿块的分类效能。方法回顾性分析2018-2020年哈尔滨医科大学附属肿瘤医院1585例乳腺X线图像数据集,其中良性806例,恶性779例,按8∶2分为训练集(n=1268)和测试集(n=317),并按照5折交叉验证对训练集进行分层,采用集成的DDSM数据集和INBreast数据集作为外部测试集(n=1645)来评估模型性能。输入层每个病例包含4个视图,通过删除ResNet22网络模型的最后两层网络结构并加入平均池化层作为特征提取层,以及分别加入全连接层和softmax激活函数作为决策层构建MMV-Net模型,使用贝叶斯超参数优化。比较MMV-Net、MFA-Net和集成Inception V4模型在AUC值、准确率、精确率、召回率和F1分数上的表现。结果MMV-Net模型在测试集上区分良性和恶性肿块的AUC值为0.913,MFA-Net的AUC为0.882,Inception V4的AUC为0.865;MMV-Net模型的准确率和精确率等评估指标也高于其他两种模型。结论基于乳腺X线多视图的深度学习MMV-Net模型有助于乳腺良性和恶性肿块的分类。展开更多
文摘目的构建基于乳腺X线多视图的深度学习框架(Network based on mammography multiple views,MMV-Net),评价模型对乳腺良性和恶性肿块的分类效能。方法回顾性分析2018-2020年哈尔滨医科大学附属肿瘤医院1585例乳腺X线图像数据集,其中良性806例,恶性779例,按8∶2分为训练集(n=1268)和测试集(n=317),并按照5折交叉验证对训练集进行分层,采用集成的DDSM数据集和INBreast数据集作为外部测试集(n=1645)来评估模型性能。输入层每个病例包含4个视图,通过删除ResNet22网络模型的最后两层网络结构并加入平均池化层作为特征提取层,以及分别加入全连接层和softmax激活函数作为决策层构建MMV-Net模型,使用贝叶斯超参数优化。比较MMV-Net、MFA-Net和集成Inception V4模型在AUC值、准确率、精确率、召回率和F1分数上的表现。结果MMV-Net模型在测试集上区分良性和恶性肿块的AUC值为0.913,MFA-Net的AUC为0.882,Inception V4的AUC为0.865;MMV-Net模型的准确率和精确率等评估指标也高于其他两种模型。结论基于乳腺X线多视图的深度学习MMV-Net模型有助于乳腺良性和恶性肿块的分类。
