Использование глубокого обучения для оценки маммографии

Исследователи предлагают подход к классификации тканей в качестве альтернативы комплексным моделям оценки

В настоящее время радиологам требуются годы обучения, прежде чем они будут квалифицированы для выделения индикаторов рака на рентгеновских изображениях. Результаты этого типа анализа являются частью Системы отчетов и данных по визуализации молочной железы (BI-RADS). Эта система зависит от этого человеческого опыта для классификации результатов сканирования по шкале 6. По этой шкале 0 — неубедительный результат, 1 — отрицательный для рака и 2 — доброкачественное новообразование. Любое увеличение выше 2 указывает на то, что клиницист обнаружил положительные маркеры рака. Лакшми Субраманиан, аффилированная организация CDS и доцент компьютерных наук, Улзи Ан, магистр компьютерных наук Нью-Йоркского университета, и Хадер Шамир из Northwell Health исследовали применение глубокого обучения к маммографии в их недавней публикации. В своей работе Субраманиан и группа исследователей разделили процесс на задачу классификации, специализирующуюся на локальном различении выражений тканей, а затем на регрессионную модель полной контекстной карты тепла, которая управляет агрегированием локальных результатов.

Цифровая база данных для скрининга маммографии (DDSM), которая предоставляет «более 2600 случаев рентгеновских снимков под углом CC и MLO», является популярной отправной точкой для применения глубокого обучения в маммографии. DDSM состоит из нарисованных от руки контуров, предназначенных для определения групп подозрительных тканей. Хотя эти представления полезны, они неточны для обучающих моделей. Субраманиан и группа исследователей «предлагают классификационный подход, основанный на высокоэффективной оценке тканей, в качестве альтернативы универсальным моделям локализации и оценки, которые также способны точно определять причинные пиксели». Этот подход призван «исправить проблему нечетких аннотаций», которые содержатся в DDSM по разным причинам, в том числе из-за того, что врач может просто захотеть проиллюстрировать общую затронутую область. Эффективное применение глубокого обучения к этим проблемам может задним числом увеличить выявление злокачественных опухолей при скрининге более чем на 30%.

См. также:  С праздником и Новым годом! — Последние биты и байты 2018 года — Эта неделя в машинном обучении и искусственном интеллекте

Исследователи использовали метод визуализации заметности и три различных уровня увеличения (× 0,5, × 0,33 и × 0,25) на предварительно подготовленных сканах. В конечном итоге классификатор с использованием × 0,5 дал наилучшие результаты. Исследователи прокомментировали: «Цель классификатора в наших условиях была определена как предсказание отсутствия или наличия существенных результатов, которые могут быть доброкачественными или злокачественными на участках ткани. Это соответствует оценке BI-RADS на 1 или 2 балла ».

Субраманиан и исследовательская группа выделили некоторые проблемы в своей работе, связанные с маммографией, в том числе тот факт, что рентгеновские лучи являются двумерными представлениями трехмерных структур. В результате изображения сканирования сильно зашумлены, и «разделение опухолевой и чистой ткани может быть… постепенным», что затрудняет определение того, где пораженная ткань начинается и заканчивается. Но модель регрессии с глубокой тепловой картой дала положительные результаты, и исследователи пришли к выводу, что «качество классификации тканей приблизилось к современному уровню».

Сабрина де Сильва

Понравилась статья? Поделиться с друзьями:
IT Шеф
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: