基于神经网络的乳腺癌X线筛查分割模型

简介
 提高乳腺癌筛查的诊断效果是肿瘤学和放射诊断学中最具现实意义的问题之一。人工智能技术在临床医学中的广泛应用有助于有效解决一系列技术层面和诊断方面的问题。
目的
建立用于乳腺数字X线片分析的分割神经网络模型，并对其临床有效性进行后续研究。
材料和方法 
开发了基于人工智能的系统以分析X射线乳腺摄影，并包括具有U-Net架构的分段神经网络，分类神经架构ResNet50，并使用梯度提升输出结果。 15486例X射线病例被用于训练，诊断准确性的评估以及所开发的分割模型的验证。 所有案例均在专门开发的软件环境LabelCMAITech中标记。 分割准确度由联合交叉口相似系数（IoU）确定，使用二元分类指标计算恶性概率。
结果
所开发的系统以基于神经网络架构的细分模型为代表。该模型允许以0.8176或更高的精度在网络的输出神经元的阈值上以0.1和0.15定位X线检查结果，这些检查结果在乳腺X线摄影研究中对确定乳腺癌迹象的可能性具有诊断价值：结构，局部结构变形，局部不对称及钙化。 当比较放射线医师的机器分割和图像标记结果时，发现该模型在确定结构，灶外钙化和腺内淋巴结的准确性方面不逊于医生。
结论
这项研究的结果允许我们将该模型看作放射线医师在筛查性乳腺X线摄影中的智能助手。

1. Siegel R.L., Miller K.D., Jemal A. Cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 7-34. https://doi.org/10.3322/caac.21551

2. Breast cancer. [web resource] URL https://www.who.int/cancer/prevention/diagnosis-screening/breast-cancer/en/ free (accessed September 16, 2020).

3. DeSantis C.E., Ma J., Gaudet M.M., Newman L.A., Miller K.D., Goding Sauer A., Jemal A., Siegel, R.L. Breast cancer statistics, 2019. CA A Cancer J Clin. 2019; 69: 438-451. https://doi.org/10.3322/caac.21583

4. Li Y., Chen H., Cao L., Ma J. A survey of computer-aided detection of breast cancer with mammography. J Health Med Inf. 2016; 4: 238. https://doi.org/10.4172/2157-7420.1000238

5. Welch H.G., Passow H.J. Quantifying the benefits and harms of screening mammography. JAMA Intern Med. 2014; 3: 448-454. https://doi.org/10.1001/jamainternmed.2013.13635

6. Curtis C., Frayne R., Fear E. Using X-Ray Mammograms to Assist in Microwave Breast Image Interpretation. Int. J. Biomed. Imag. 2012; 2012: 235380. https://doi.org/10.1155/2012/235380

7. Abdelhafiz D., Yang C., Ammar R. et al. Deep convolutional neural networks for mammography: advances, challenges and applications. BMC Bioinformatics. 2019; 20: 281 https://doi.org/10.1186/s12859-019-2823-4

8. American College of Radiology. The ACR breast imaging reporting and data system (BI-RADS) [web resource]. November 11, 2003. URL: http://www.Acr. org/departments/stand_accred/birads/contents.html. free (accessed February 27, 2020).

9. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Arxiv. Lib. 2015; 15: 1-8. https://doi.org/10.1007/978-3-319-24574-4_28

10. He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition. IEEE Comput. Vis. Pattern. Recognit. 2016; 10: 1-4. https://doi.org/10.1109/cvpr.2016.90

11. Natekin A., Knoll A. Gradient Boosting Machines, A Tutorial. Frontiers in Neurorobotics. 2013; 7: 21. https://doi.org/10.3389/fnbot.2013.00021

12. Wu J., Mahfouz M. R. Robust X-ray image segmentation by spectral clustering and active shape model. J Med. Imag. 2016; 3: 034005. https://doi.org/10.1117/1.jmi.3.3.034005