用于超声成像中乳腺癌诊断的双重意图深度学习模型

自动医疗数据分析在现代医学中展示了重要作用，尤其是在癌症诊断/预后方面，以实现高可靠性和可推广性系统。本研究提出了一种用于超声成像的自动乳腺癌筛查方法。本文展示了一种卷积深度自编码器模型，用于同时进行分割和放射组学特征提取。该模型在提取放射组学特征的同时，对乳腺病变进行分割。通过我们的深度模型，我们执行乳腺病变分割，连接到低维深放射组学提取（四个特征）。同样，我们使用高维常规成像输出，并应用谱嵌入技术将其大小从354减少到12个放射组学特征。总共使780张超声图像——437张良性，210张恶性和133张正常——用于训练和验证本研究中的模型。为了诊断恶性病变，我们进行了培训、超参数调整、交叉验证和使用随机森林模型的测试。这使得在放射组学组结合的情况下，最大（完整多变量）交叉验证模型的二分类准确率达到78.5%（65.1-84.1%）。