基于深度学习模型对MRI乳腺强化病灶形态分类的初步研究

目的 探索基于深度学习对MRI图像上乳腺强化病灶形态分类的可行性。资料与方法 连续性收集并回顾分析2013年1月—2016年10月北京大学第一医院行双侧乳腺MR动态增强的290例患者的资料，使用既往研发的3D分割模型分割出乳腺中异常强化区域，由2位影像诊断医师根据第5版乳腺影像报告和数据系统病变分型（肿块、非肿块样强化）对375个图像进行分类。将上述数据按8∶1∶1随机分为训练集（n=297）、调优集（n=39）和测试集（n=39），使用Auto VGG网络训练分类预测模型，以测试集的混淆矩阵评价模型的效能。结果 2位影像医师对于乳腺病灶肿块与非肿块划分的初始一致性为0.917(344/375)。测试集39个数据中，26个为肿块，13个为非肿块样强化。肿块及非肿块样强化病例的三维径线（左右、前后、上下）及体积差异均无统计学意义（P均>0.05）。测试集39个数据的预测准确率为0.87，敏感度为0.96，特异度为0.69，精确度为0.86,F1评分为0.91。结论 使用深度学习方法进行乳腺MRI图像上强化病灶形态分类是可行的，有望在临床工作中应用。