Блог

Aug 22, 2023

Сегментация фиброгландулярной ткани при МРТ молочной железы с использованием видеотрансформаторов: мультимедиа

Том 13 научных отчетов, номер статьи: 14207 (2023) Цитировать эту статью Подробности показателей Точная и автоматическая сегментация фиброжелезистой ткани при МРТ-скрининге молочной железы имеет важное значение для

Том 13 научных докладов, Номер статьи: 14207 (2023) Цитировать эту статью

Подробности о метриках

Точная и автоматическая сегментация фиброжелезистой ткани при МРТ-скрининге молочной железы необходима для количественной оценки плотности молочной железы и фонового паренхиматозного усиления. В этом ретроспективном исследовании мы разработали и оценили нейронную сеть на основе трансформатора для сегментации груди (TraBS) на основе данных мультиинституциональной МРТ и сравнили ее производительность с хорошо зарекомендовавшей себя сверточной нейронной сетью nnUNet. TraBS и nnUNet были обучены и протестированы на 200 внутренних и 40 внешних МРТ-исследованиях молочной железы с использованием ручной сегментации, созданной опытными читателями. Эффективность сегментации оценивалась по шкале Дайса и среднему симметричному поверхностному расстоянию. Оценка Дайса для nnUNet была ниже, чем для TraBS на внутреннем наборе тестов (0,909 ± 0,069 против 0,916 ± 0,067, P <0,001) и на внешнем наборе тестов (0,824 ± 0,144 против 0,864 ± 0,081, P = 0,004). Более того, среднее симметричное поверхностное расстояние было выше (= хуже) для nnUNet, чем для TraBS на внутреннем (0,657 ± 2,856 против 0,548 ± 2,195, P = 0,001) и на внешнем тестовом наборе (0,727 ± 0,620 против 0,584 ± 0,413, P = 0,03). Наше исследование показывает, что сети на основе трансформаторов улучшают качество сегментации фиброжелезистой ткани при МРТ молочной железы по сравнению с моделями на основе сверток, такими как nnUNet. Эти результаты могут помочь повысить точность определения плотности молочной железы и количественной оценки паренхиматозных изменений при МРТ-скрининге молочной железы.

Рак молочной железы является наиболее частым типом рака среди женского населения и представляет собой вторую по значимости причину смертности в Соединенных Штатах1 среди женщин. Новые рекомендации по скринингу рака молочной железы рекомендуют использовать МРТ женщинам с плотной тканью молочной железы2,3. Инструменты на основе глубокого обучения для оценки плотности молочной железы при маммографии уже разработаны4, однако последовательная и надежная автоматизированная оценка плотности молочной железы — как отношения фиброжелезистой ткани (ФГТ) к объему молочной железы — при МРТ-исследованиях все еще отсутствует. Помимо плотности молочной железы, фоновое паренхиматозное усиление (BPE) – усиление фиброжелезистой ткани – также стало многообещающим маркером для раннего выявления рака молочной железы5,6, однако надежная автоматизированная оценка BPE также отсутствует. Разработка алгоритма машинного обучения, способного сегментировать ФГТ, является важным первым шагом на пути к автоматической количественной оценке плотности груди и ДПЭ при МРТ-исследованиях молочной железы.

В нескольких исследованиях эта проблема изучалась путем обучения сверточных нейронных сетей (CNN) на сегментированных вручную МРТ-исследованиях молочной железы и оценки их эффективности на одноцентровых тестовых наборах7,8,9. Высокий уровень согласия между картами сегментации, созданными человеком и машиной, во всех этих публикациях демонстрирует потенциал CNN. Однако на пути широкого внедрения таких алгоритмов есть важное препятствие: МРТ-обследования не стандартизированы. В разных клинических центрах для диагностики рака молочной железы используются разные протоколы и последовательности МРТ. Ни в одном из исследований, которые мы нашли, архитектура CNN не тестировалась на независимых данных, которые не принадлежали учреждению, в котором были разработаны алгоритмы.

Кроме того, разработка надежных моделей для сегментации МРТ молочной железы является сложной задачей, особенно при наличии повреждений, хирургических шрамов и грудных имплантатов10,11. Оценке моделей сегментации для МРТ молочной железы в контексте таких потенциальных факторов уделялось мало внимания. Предыдущие исследования исключили грудные имплантаты12,13 или признали сложность точного различия между здоровым и патологическим ФГТ14.

Модели на основе трансформаторов оказались более надежными, обобщаемыми и защищенными от атак, чем CNN, в других приложениях анализа медицинских изображений15,16. Они достигли самых современных результатов в обработке естественного языка17,18, главным образом благодаря своей способности обрабатывать долгосрочные зависимости и предварительному обучению с самоконтролем для последующих задач.