S'abonner

Detection and characterization of MRI breast lesions using deep learning - 05/04/19

Doi : 10.1016/j.diii.2019.02.008 
P. Herent a, B. Schmauch a, P. Jehanno a, , O. Dehaene b, C. Saillard a, C. Balleyguier c, J. Arfi-Rouche c, S. Jégou a
a Owkin Inc, Research and Development Laboratory, 75003 Paris, France 
b École Centrale d’Electronique (ECE), 75015 Paris, France 
c Radiology Department, Institut Gustave-Roussy, 94805 Villejuif, France 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Purpose

The purpose of this study was to assess the potential of a deep learning model to discriminate between benign and malignant breast lesions using magnetic resonance imaging (MRI) and characterize different histological subtypes of breast lesions.

Materials and methods

We developed a deep learning model that simultaneously learns to detect lesions and characterize them. We created a lesion-characterization model based on a single two-dimensional T1-weighted fat suppressed MR image obtained after intravenous administration of a gadolinium chelate selected by radiologists. The data included 335 MR images from 335 patients, representing 17 different histological subtypes of breast lesions grouped into four categories (mammary gland, benign lesions, invasive ductal carcinoma and other malignant lesions). Algorithm performance was evaluated on an independent test set of 168 MR images using weighted sums of the area under the curve (AUC) scores.

Results

We obtained a cross-validation score of 0.817 weighted average receiver operating characteristic (ROC)-AUC on the training set computed as the mean of three-shuffle three-fold cross-validation. Our model reached a weighted mean AUC of 0.816 on the independent challenge test set.

Conclusion

This study shows good performance of a supervised-attention model with deep learning for breast MRI. This method should be validated on a larger and independent cohort.

Le texte complet de cet article est disponible en PDF.

Keywords : Magnetic resonance imaging (MRI), Breast lesion detection, Convolution neural networks, Transfer learning, Attention model


Plan


© 2019  Soci showét showé françaises de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 100 - N° 4

P. 219-225 - avril 2019 Retour au numéro
Article précédent Article précédent
  • Kidney cortex segmentation in 2D CT with U-Nets ensemble aggregation
  • V. Couteaux, S. Si-Mohamed, R. Renard-Penna, O. Nempont, T. Lefevre, A. Popoff, G. Pizaine, N. Villain, I. Bloch, J. Behr, M.-F. Bellin, C. Roy, O. Rouvière, S. Montagne, N. Lassau, L. Boussel
| Article suivant Article suivant
  • Diagnosis of focal liver lesions from ultrasound using deep learning
  • B. Schmauch, P. Herent, P. Jehanno, O. Dehaene, C. Saillard, C. Aubé, A. Luciani, N. Lassau, S. Jégou

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.