Ученые определили оптимальную область мозга для лечения эссенциального тремора
Статья
Каждый год миллионы женщин проходят маммографию для выявления рака груди, однако крошечные кальциевые пятнышки, известные как микрокальцификаты, часто не обнаруживаются или неправильно считываются, что приводит к задержке диагностики или ненужным биопсиям. Обычные компьютерные инструменты полагаются на правила, созданные вручную, и борются с огромным разнообразием устройств визуализации и схем поражений.
В недавнем исследовании под руководством доктора Ке-Да Ю из Шанхайского онкологического центра университета Фудань был разработан новый подход глубокого обучения, который автоматически находит и классифицирует микрокальцификаты на разных машинах и у разных групп пациентов, что обеспечивает точность и последовательность скрининга рака груди.
« Микрокальцификаты могут быть всего в несколько пикселей шириной. Поэтому обнаружить их среди нормальной ткани — все равно что найти иголку в стоге сена », — объясняет доктор Ю. « Мы хотели создать систему, которая адаптируется к любой маммограмме и никогда не упускает из виду ранние предупреждающие признаки».
Инновация команды основана на двух ключевых достижениях:
Адаптивное многомасштабное обнаружение: благодаря интеграции более быстрой модели сверточной нейронной сети на основе регионов (R-CNN) с сетью пирамид признаков (FPN) конвейер объединяет признаки с различным разрешением, что позволяет локализовать как грубые кластеры, так и отдельные пятна без каких-либо вручную настраиваемых пороговых значений.
Надежное многоцентровое обучение: система, обученная на 4810 подтвержденных биопсией маммограммах (6663 новообразования, равномерно распределенных между доброкачественными и злокачественными) из трех больниц, автоматически стандартизирует каждое изображение, поэтому она без проблем работает на разных сканерах и в разных клинических условиях.
В ходе слепого тестирования конвейер обрабатывал каждую маммограмму, достигая общей точности около 75% на уровне микрокальцификационных поражений с чувствительностью 76% для злокачественных поражений и точностью около 72% на уровне груди.
«Это решение можно развернуть непосредственно на стандартных рабочих станциях рентгенологов», — добавляет доктор Ю. «Предварительно отмечая подозрительные области на каждой маммограмме, оно позволяет рентгенологам быстро сосредоточиться на проблемных областях, значительно сокращая как пропущенные диагнозы, так и ненужные биопсии, тем самым уменьшая дискомфорт пациентов и снижая расходы на здравоохранение».
Исследовательская группа открыла исходный код, и их следующие шаги будут сосредоточены на интеграции системы в клинические рабочие процессы с целью предложить надежный инструмент на основе ИИ для более широкого распространения скрининга рака груди.
Источник: Китайская академия наук
