深度学习有望改善乳腺癌成像

研究人员开发了一种新的图像重建方法，可以更好地检测乳腺癌。深度学习算法通过允许图像实时恢复，克服了多模态成像中的一个主要障碍。

在视神经节杂志上，研究人员描述了新的算法以及它如何与成像平台一起工作，该成像平台将光谱信息与无对比磁共振成像(MRI)相结合，以提高对疾病的检测乳房癌症。

“我们开发的近红外光谱断层扫描(NIRST)和MRI成像平台已经显示出了前景，但需要花费时间和精力图像重建阻碍了它转化为日常的临床工作流程，”达特茅斯学院研究团队的负责人基思·保尔森说。因此，我们设计了一个深度学习算法它结合了来自MRI的解剖图像数据来指导NIRST图像的形成，而不需要对组织中的光传播进行复杂的建模。”

Paulsen和来自北京工业大学和伯明翰大学的同事报告说，他们的新算法可以区分恶性肿瘤和恶性肿瘤良性肿瘤使用来自患者乳房检查的mri引导的NIRST成像数据。

“Z-Net可以使NIRST成为乳腺癌筛查和诊断的非对比MRI的高效和有效的附加，因为它可以几乎实时地恢复MRI引导的NIRST图像，”Paulsen说。“它也可以很容易地适用于多模态成像数据可用的其他癌症和疾病。”

应用深度学习

目前，动态对比增强(DCE) MRI是公认的最敏感的乳腺癌检测方法。然而，DCE MRI需要静脉注射造影剂，假阳性率很高。虽然非造影剂MRI引导的NIRST提供了一种不需要造影剂注射或电离辐射的替代方案，但重建组合图像需要复杂的光传播模型以及耗时的MRI图像分析。

研究人员使用了深度学习使图像重建过程更快。深度学习是一种机器学习方法，它以类似于人类大脑运作的方式在信息片段之间建立联系，使研究人员能够训练他们的算法来识别模式和复杂的关系。

“Z-Net算法将生成新图像所需的时间缩短到几秒钟，”该研究的主要作者冯金超说。“此外，我们开发的机器学习网络可以用计算机模拟生成的数据进行训练，而不需要实际患者检查的图像，因为收集和处理成训练信息需要很长时间。”

临床试验

在训练算法后，研究人员使用模拟数据来确认，通过消除漫射光传播建模或不分割MRI图像，重建图像的质量没有下降。

然后，他们前瞻性地将新算法应用于从两次乳房成像检查中收集的mri引导的NIRST数据——一次导致活检证实癌症诊断，另一次导致良性异常。的新算法生成的图片这可以区分恶性和良性病例。

“除了展示我们方法的潜力外，结果还表明，当体内数据不足或无法用于训练a深度学习算法研究报告的合著者、同时开发磁共振成像和光学乳房成像技术的先驱蒋曙东说。

研究人员正在努力使新的图像重建方法适用于3D数据，并计划在不久的将来在更大的临床试验中进行测试。