深度迁移学习在改善乳腺MRI BI-RADS 3类病变诊断的应用研究

作者：孟名柱; 何光远; 潘昌杰; 沈栋; 张铭; 周扬^*

来源：中国医学计算机成像杂志, 2022, 28(02): 137-141.

DOI：10.19627/j.cnki.cn31-1700/th.2022.02.017

• 卷积神经网络
• 深度迁移学习
• 乳腺病变
• 磁共振成像

目的：探讨基于DenseNet201深度迁移学习（DTL）在改善乳腺MRI BI-RADS3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4 908幅）和测试集（良性组：1 110幅；恶性组：540幅）。收集乳腺MRI报告BI-RADS3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MRI BI-RADS3类病变良恶性诊断准确性的有效方法。

• 单位
  南京医科大学