基于深度学习和阈值分割方法对乳腺MRI中背景实质强化自动分类的研究

作者：马明明; 张耀峰; 王祥鹏; 张晓东; 秦乃姗; 王霄英^*

来源：肿瘤影像学, 2021, 30(05): 332-338.

DOI：10.19732/j.cnki.2096-6210.2021.05.003

• 乳腺癌
• 深度学习
• 阈值分割
• 磁共振成像
• 背景实质强化
• 结构化报告

目的:探讨基于深度学习和阈值分割方法对乳腺磁共振成像(magnetic resonance imaging,MRI)背景实质强化(background parenchymal enhancement,BPE)自动分类的可行性。方法:回顾并分析2010年1月—2018年10月北京大学第一医院行乳腺MRI检查的547例乳腺癌患者的影像学资料。由2名高年资放射科医师共同评估,依据乳腺影像报告和数据系统(Breast Imaging Reporting and Data System,BI-RADS)对健侧乳腺的BPE进行人工BPE的4分类作为金标准。先用训练好的深度学习U-Net 3D模型分割乳腺纤维腺体组织(fibroglandular tissue,FGT)区域,分割效果的评价指标为Dice相似性系数(Dice similarity coefficient,DSC)。再利用阈值分割技术获取BPE区域,计算BPE体积与FGT体积的比值得到自动BPE分类,并生成到结构化报告中。将自动BPE分类与人工BPE分类进行比较,以混淆矩阵进行效能分析,计算总准确度、F1值和Kappa值。结果:U-Net 3D模型对547个数据FGT分割的平均DSC为0.902。通过阈值分割技术计算得到自动BPE分类结果的整体准确度为0.95(95%CI:0.88～0.93),宏平均F1为0.84,微平均F1为0.90,Kappa为0.81(95%CI:0.76～0.86)。结论:基于深度学习和阈值分割技术对乳腺MRI背景强化的自动化分类是可行的,有潜在的临床应用价值。

• 单位
  北京大学第一医院