PDF《乳腺癌肿瘤筛查By AI》

乳腺癌肿瘤筛查By AI Beast Cancer recognition By AI 1背景介绍 background 乳腺癌

1 乳腺癌背景介绍 42.

55/10万 年发病率 第一位 女性恶性肿瘤发病率 3%左右 0-74岁女性患病概率 83.2% 5年生存率(中国) 3-4% 发病率增长 89% 5年生存率(美国)

2 腾讯觅影的乳腺AI诊疗技术 超声 钼靶 MRI 病理 基因 多模态诊断治疗方案 2乳腺钼靶 Mammography 乳腺钼靶――目标功能 疑似病灶定位 在图片中给出肿块灶和钙化灶的 位置辅助医生提高诊断的准确度 病灶恶性概率分析 给出病人乳房患有恶性肿瘤的 概率 恶性概率: 90%

1 影像报告生成 根据钼靶图片自动生成影像报告 乳腺钼靶――技术实现框架 + 医学影像 前处理 AI 学习模型 肿块检测 钙化检测 良恶性判断

2 钼靶影像 反馈反馈乳腺钼靶――医学影像前处理 + 前处理 设备 适配层 ROI 提取层 ? 设备适配层:将西门子,hologic, GE等钼靶厂商设备以及窗宽窗位进 行归一化适配,以适应之后的算法. ? ROI提取层:医学先验知识+计算机 视觉方法,定位肿块灶和钙化灶的候 选区域,数据降维,减少不相关信息 的干扰.

3 TMuNet 模型 ? 特点一:Multi-View网络 TMuNet TMuNet-MASS TMuNet-CAL TMuNet-Malignant 乳腺钼靶――学习模型

4 Single-View网络 Multi-View网络 单图输入 无法避免"同影异病, 同病异影"问题 四图( MLO-CC位)输入 利用MLO-CC位,以及左右乳比 对,极大提升诊断精确度 为乳腺癌钼靶检查而重新设计的全新神经网络 ? 特点二:非形变多尺度网络 单尺度网络 非形变多尺度网络 图片做形变缩放, 图片适配网络结构 图片保持原有尺寸, 网络结构适配图片 乳腺钼靶――学习模型

5 TMuNet TMuNet-MASS TMuNet-CAL TMuNet-Malignant TMuNet 模型 为乳腺癌钼靶检查而重新设计的全新神经网络 ? 特点三:渐进式网络构建 一步构建网络 渐进构建网络 图片间差别小,直接 训练完整网络,难以 获得较好效果. 先用浅层网络针对局部图(病灶) 数据训练,再逐步加深网络层 次,并利用全图做训练. ? 特点四:自步学习的训练方式 所有样本同时训练 难例比例过大,则会 使模型无法收敛到最 优解,难例比例小, 则模型对难例辨识能 力不足 自步学习训练 将训练例分为简单例 和难例,并将难例分 级,训练由易到难逐 步进行,使模型达到 更好效果. 乳腺钼靶―― 难例挖掘/主动学习 肿块检测 钙化检测 良恶性分类 90.2%@0.2F P 99%@0.2FP 敏感度:87% 特异度:96% 目前模型效果

6 ? AI见过疑难病例的数量和种类很大程度上决 定AI的上限 ? 运营数据集 ? 主动学习/难例挖掘:从数据库和线上数据中 挖掘出有价值的疑难病例进行标注. ? 难例确认:与专家讨论难例标注,并利用病理 和其他模态数据进行交叉确认. 基础模型 实时模型 + 检测结果 反馈测试集来自多个医院的约3000例数据 3乳腺病理 Pathology 乳腺病理――目标功能 ? 组织学分级 ? 核分裂计数(研发完成) ? 核多形性打分 ? 腺管形成程度 ? 免疫组化 ? KI-67,HER2(研发中) ? ER,PR

1 乳腺病理――有丝分裂检测(1)

2 选取视野 切片分类 有丝分裂 细胞定位 核分裂计 数打分 实现功能: 有丝分裂细胞定位:在图片中圈出细胞所在位置 有丝分裂计数:给出单个视野内或者WSI的有丝分裂计数分数 效果: TUPAC比赛数据集:F1 score 0.82(之前冠军为F1 score 0.73) 核分裂计数打分:3分 乳腺病理――有丝分裂检测(2)