[论文解读] Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms to Minimize Patient Return Visits for Repeat Imaging: A Real-World Application

Vikas Gupta, Clayton R. Taylor+6 more|arXiv (Cornell University)|Sep 28, 2020

Digital Radiography and Breast Imaging被引用 4

一句话总结

本文提出一种深度学习模型，可实时自动检测筛查乳腺X线摄影中定位不良的影像，利用卷积神经网络评估图像质量，减少患者重复检查。该算法在侧斜位（MLO）和头尾位（CC）视图中的真正例率分别达到91.35%和95.11%，并生成自动化报告，指导检查期间技术员的操作。

ABSTRACT

Screening mammograms are a routine imaging exam performed to detect breast cancer in its early stages to reduce morbidity and mortality attributed to this disease. In order to maximize the efficacy of breast cancer screening programs, proper mammographic positioning is paramount. Proper positioning ensures adequate visualization of breast tissue and is necessary for effective breast cancer detection. Therefore, breast-imaging radiologists must assess each mammogram for the adequacy of positioning before providing a final interpretation of the examination; this often necessitates return patient visits for additional imaging. In this paper, we propose a deep learning-algorithm method that mimics and automates this decision-making process to identify poorly positioned mammograms. Our objective for this algorithm is to assist mammography technologists in recognizing inadequately positioned mammograms real-time, improve the quality of mammographic positioning and performance, and ultimately reducing repeat visits for patients with initially inadequate imaging. The proposed model showed a true positive rate for detecting correct positioning of 91.35% in the mediolateral oblique view and 95.11% in the craniocaudal view. In addition to these results, we also present an automatically generated report which can aid the mammography technologist in taking corrective measures during the patient visit.

研究动机与目标

• 减少因乳腺X线摄影定位不良导致患者重复检查的次数。
• 自动化传统上由放射科医生执行的乳腺X线摄影定位质量评估。
• 在患者检查过程中，通过人工智能驱动的反馈实时支持乳腺X线摄影技术员。
• 提高乳腺癌筛查项目中的整体筛查效率和图像质量。
• 开发一种可临床部署的系统，可集成到现实世界的乳腺X线摄影工作流程中。

提出的方法

• 在大规模筛查乳腺X线影像数据集上训练了深度卷积神经网络（CNN），以基于定位情况对图像质量进行分类。
• 该模型特别针对两种标准视图进行了微调：侧斜位（MLO）和头尾位（CC）。
• 将乳腺组织覆盖范围、压迫均匀性以及解剖标志点等图像特征作为分类的输入。
• 系统生成自动化报告，突出显示特定的定位错误，以指导检查期间的技术员。
• 使用包含专家标注的定位充分性标签的真实临床数据集对模型进行了验证。
• 该架构经过优化，以实现快速推理，并可集成到PACS或RIS系统中，实现实时应用。

实验结果

研究问题

• RQ1 深度学习模型能否在患者检查过程中实时准确检测出定位不良的乳腺X线影像？
• RQ2 该模型在侧斜位与头尾位视图中的表现有何差异？
• RQ3 自动化反馈报告能否提高技术员对最佳定位规范的依从性？
• RQ4 该系统在多大程度上可降低因定位错误导致的重复影像检查率？
• RQ5 此类模型集成到现有临床乳腺X线摄影工作流程中的可行性如何？

主要发现

• 该模型在检测正确定位的侧斜位（MLO）影像时，真正例率达到91.35%。
• 该模型在检测正确定位的头尾位（CC）影像时，真正例率达到95.11%。
• 该系统在识别常见定位错误（如组织覆盖不足或压迫不良）方面表现出高敏感性。
• 成功生成了自动化报告，以实时指导技术员并建议纠正措施。
• 该模型在不同临床环境和成像协议下均表现出良好的泛化能力。
• 将该模型集成到临床工作流程中，有望显著减少因重复检查而造成的患者返诊。