文献阅读2019

文献阅读2019"/>

文献阅读2019

文献阅读2019-Distinction between benign and malignant breast masses at breast ultrasound using deep learning method with convolutional neural network

方法和材料：收集了480张96个良性肿块的图像和467张144个恶性肿块的图像作为训练数据。使用CNN architecture GoogLeNet构建深度学习模型，并对测试数据进行分析:良性肿块48个，恶性肿块72个。三位放射学家解释了这些测试数据。计算敏感性、特异性、准确性和接受者工作特征曲线下面积。

数据集：

GoogleNet是一个22层的深网，在3层卷积层之后有9个嵌入单元，在最终输出之前有一个完全连接的层。GoogleNet Inception v2是对GoogleNet的一个改进，它拥有一项重要的深度学习技术，称为批处理归一化，用于在进入下一层之前对值分布进行归一化。

在监督学习中使用了一种没有微调的架构，批量大小为32个和50个epoch，因为具有较高的准确性和较低的数据损失(如下图)。

CNN模型和三个放射学家对BI-RADS的分类结果：

观察一致性：

敏感性，特异性，准确性和AUC

讨论：在他们的研究中，放射科医师被要求确定乳房肿块的感兴趣区域；然而，在我们的研究中，这并不是必需的，因为图像只是修剪包括皮肤到胸壁。因此，我们的研究比他们的研究更简单，更具有可重复性。据我们所知，我们的研究是第一个直接比较CNN模型和放射科医生使用超声鉴别良恶性乳腺肿块的诊断性能的研究。
局限性：这项研究有几个局限性。首先，这项回顾性研究是在单一机构进行的。因此，有必要进行更广泛、多中心的研究来验证本研究的结果。其次，并不是所有的复发性病变都能通过细胞学或组织学诊断。第三。我们使用转换为256x 256像素的图像进行这项研究。这种图像处理可能会导致信息的丢失，从而影响模型的性能。第四，由于我们使用了两家公司的三套超声系统，在使用其他超声系统图像进行测试时，学习结果的适应性可能存在问题。因此，其他超声系统是否也能表现出良好的性能还需要进一步的研究。