文献

J-GLOBAL ID：202202230121297374   整理番号：22A0108524

ダイナミック造影MRIを用いた悪性および良性乳房腫瘍の鑑別のためのエビデンスに基づく信頼レベル解析による深層学習融合モデル【JST・京大機械翻訳】

A deep learning fusion model with evidence-based confidence level analysis for differentiation of malignant and benign breast tumors using dynamic contrast enhanced MRI

著者 (7件)： Wu Yunan (Department of Electrical Computer Engineering, Northwestern University, 633 Clark Street, Evanston, IL, USA) ,  Wu Jing (Department of Radiology, Peking University People’s Hospital, 11 Xizhimen S St, Xicheng District, Beijing 100044, China) ,  Dou Yuting (Department of Biomedical Engineering, Northwestern University, 633 Clark Street, Evanston, IL 60208, USA) ,  Rubert Nicholas (Department of Diagnostic Radiology, Phoenix Children’s Hospital, 1919 E Thomas Rd Phoenix, AZ 85016, USA) ,  Wang Yi (Department of Radiology, Peking University People’s Hospital, 11 Xizhimen S St, Xicheng District, Beijing 100044, China) ,  Deng Jie (Department of Diagnostic Radiology, Rush University Medical Center, 1653 W. Congress Pkwy Jelke Ste 181, Chicago, IL 60612, USA) ,  Deng Jie (Department of Radiation Oncology, UT Southwestern Medical Center, 5323 Harry Hines Blvd, Dallas, TX 75390, USA)
資料名： Biomedical Signal Processing and Control  (Biomedical Signal Processing and Control)
巻： 72  号： PB  ページ： Null  発行年： 2022年 
JST資料番号： W3347A  ISSN： 1746-8094  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 乳房磁気共鳴映像法(MRI)の正確な解釈は,放射線科医の高度に専門化された経験の欠如のため,困難なままである。本研究の目的は,診断性能を増強するための乳癌診断のための信頼できる証拠ベースのコンピュータ支援診断ツールとして,動的コントラスト増強(DCE)MRI画像に基づく畳込みニューラルネットワーク(CNN)モデルを開発することである。この後向き研究は,合計130人の患者(71の悪性と59の良性腫瘍)を含んだ。外科的除去または生検処置を,腫瘍悪性腫瘍のグランドトルースとして病理学的分析のために実行した。CNNモデルは,悪性および良性乳房腫瘍の分化のための腫瘍組織の腫瘍幾何学的情報および薬物動態特性の分析的特徴を融合した。CNNモデル分類結果の信頼レベルを,3種類の証拠基準に基づいて解釈した:予測確率,特徴ホットマップ可視化,および属性動的走査時間点。CNNモデルは,全診断精度87.7%,精度91.2%,感度86.1%,AUC91.2%±4.0%を5倍試験プロセスで達成した。証拠に基づくモデル信頼性分析は,全ての3種類の証拠が満たされていると与えられた誤分類を除外した。エビデンスに基づく信頼レベル分析によるこのCNN-em動力コンピュータ支援診断ツールは,単一DCE MRI配列に基づく乳房腫瘍分類において高い診断性能を達成した。本研究は,1つのDCE配列を含む乳癌MRIスクリーニングプロトコルを短縮し,また,より低いモデル信頼度を持つ症例に焦点を合わせて放射線科医の効率を増強することが可能であることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コントラスト ,  信頼度 ,  計算機診断 ,  *腫瘍 ,  可視化 ,  *乳房 ,  良性腫瘍 ,  生検 ,  NMRイメージング ,  *乳房腫瘍
準シソーラス用語： 悪性腫瘍 ,  放射線科医 ,  腫瘍組織 ,  グランドトゥルース ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 核融合深層学習 ,  乳房腫瘍分類 ,  動的コントラスト強調MRI ,  コンピュータ支援診断

分類 (1件)： 腫ようの診断  (GE03020J)

タイトルに関連する用語 (9件)： ダイナミック造影MRI ,  良性乳房腫瘍 ,  鑑別 ,  エビデンス ,  信頼 ,  解析 ,  深層学習 ,  融合 ,  モデル