深度迁移学习在改善乳腺MRIBI-RADS 3类病变诊断的应用研究

摘要：

目的:探讨基于DenseNet201深度迁移学习(DTL)在改善乳腺MRI BI-RADS 3类病变分类诊断的潜力.方法:采用基于DenseNet201的DTL模型对11 256幅良性组和5 448幅恶性组乳腺DCE-MRI图像进行学习.将良性组、恶性组图像按照9:1随机分为训练集(良性组:10 146幅;恶性组4908幅)和测试集(良性组:1110幅;恶性组:540幅).收集乳腺MRI报告BI-RADS 3类患者201例作验证集,其中197例良性,4例恶性.以验证集准确度、召回率、F1评分及ROC曲线下面积作为性能指标.结果:训练集和测试集最高准确度分别为100.00％和99.52％.验证集平均准确度、平均召回率、平均F1评分及ROC曲线下面积分别为98.00％、0.98、0.98和0.98.DTL模型对201例病变归类正确199例,归类准确度99.00％.结论:基于DenseNet201的DTL模型是提高乳腺MRIBI-RADS 3类病变良恶性诊断准确性的有效方法.

关键词：卷积神经网络、深度迁移学习、乳腺病变、磁共振成像

所属期刊栏目：28

分类号：R445.2(诊断学)

在线出版日期：2022-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：137-141