U-Net模型在乳腺DCE-MRI肿块分割与定位的准确性评估

该文研究了U-Net深度学习模型在乳腺动态增强磁共振成像(DCE-MRI)上的应用，旨在实现乳腺肿块的自动分割、定位和体积测量，以提升诊断效率和效能。 文章详细介绍了利用U-Net模型进行乳腺肿块分析的过程。U-Net是一种卷积神经网络(CNN)架构，特别适合图像分割任务，因为它具有对输入图像的上下文信息保持敏感的特点，同时能快速地进行像素级预测。在本文中，U-Net被训练来识别并分割乳腺肿块，同时对肿块进行定位和计算体积，这些结果随后会被整合到结构化的临床报告中。 研究方法包括回顾性分析了2015年2月1日至2016年12月31日间88例乳腺癌患者的DCE-MRI数据。这些患者的数据被随机分为训练集（70例）、验证集（9例）和测试集（9例）。在训练过程中，两位放射科医生对每个患者的MRI图像进行了手动标注，标出乳腺区域及最大的、病理证实的肿块。U-Net模型在训练集上学习这些标注，然后在验证集和测试集上评估其性能。 客观评估方面，通过计算测试集中肿块的Dice相似性系数(DSC)来评估分割效果。DSC是衡量两个分割结果之间重叠程度的指标，值越接近1表示分割精度越高。主观评估则由两位乳腺影像专家对模型预测的肿块位置和大小的准确性进行判断，并分析可能出现的假阳性结果及其特性。 此外，U-Net模型输出的肿块三维尺寸、体积和定位信息能够自动填充到乳腺BI-RADS报告中，这不仅减轻了医生的工作负担，还有望提高诊断的准确性和一致性。这样的自动化工作流程有可能在未来进一步优化乳腺疾病的临床管理，尤其对于处理大量图像数据的医疗机构，可以显著提高工作效率。 该研究展示了U-Net模型在医学影像分析领域的潜力，尤其是在乳腺DCE-MRI图像处理上的应用，为乳腺癌的早期检测和精确诊断提供了新的工具和技术支持。通过深度学习技术，未来有望开发出更智能、更精准的医学影像分析系统，以助力临床实践。