目的:探讨基于DenseNet201深度迁移学习(DTL)在改善乳腺MRI BI-RADS 3类病变分类诊断的潜力.方法:采用基于DenseNet201的DTL模型对11 256幅良性组和5 448幅恶性组乳腺DCE-MRI图像进行学习.将良性组、恶性组图像按照9:1随机分为训练集(良性组:10 146幅;恶性组4908幅)和测试集(良性组:1110幅;恶性组:540幅).收集乳腺MRI报告BI-RADS 3类患者201例作验证集,其中197例良性,4例恶性.以验证集准确度、召回率、F1评分及ROC曲线下面积作为性能指标.结果:训练集和测试集最高准确度分别为100.00％和99.52％.验证集平均准确度、平均召回率、平均F1评分及ROC曲线下面积分别为98.00％、0.98、0.98和0.98.DTL模型对201例病变归类正确199例,归类准确度99.00％.结论:基于DenseNet201的DTL模型是提高乳腺MRIBI-RADS 3类病变良恶性诊断准确性的有效方法.
作者：孟名柱；何光远；潘昌杰；沈栋；张铭；周扬
来源：中国医学计算机成像杂志 2022 年 28卷 2期
