基于多尺度深度学习的乳房植入物并发症超声自动识别与定量评估模型

《Aesthetic Surgery Journal》:Multi-class Identification and Quantification of Breast Implant-related Complications in Ultrasonography Using a Pathology-informed Lesion Graph: A Deep Learning Development and Validation Study

【字体: 大 中 小 】 时间:2026年10月12日 来源:Aesthetic Surgery Journal 4.2

编辑推荐:

   摘要 背景乳腺超声检查在检测乳房植入物相关并发症方面具有成本效益优势,但其可靠性高度依赖操作者的技术水准。目的本研究开发并验证了一种深度学习模型,用于对乳房植入物并发症(破裂、包膜挛缩和血肿)进行自动化多类别识别与

  

摘要

背景

乳腺超声检查在检测乳房植入物相关并发症方面具有成本效益优势,但其可靠性高度依赖操作者的技术水准。

目的

本研究开发并验证了一种深度学习模型,用于对乳房植入物并发症(破裂、包膜挛缩和血肿)进行自动化多类别识别与定量评估。

方法

我们回顾性分析了来自908名患者的1,022条乳房植入物序列,共包含14,679张乳腺超声图像。所提出的架构整合了多尺度视觉编码、自动探头位置映射以及基于病理学的掩膜图层级,并采用梯度反转层进行腔室对抗性去偏。采用独立的患者级测试数据集(N=197例植入物)对四种卷积主干网络进行基准比较。

结果

优化的基于DenseNet的框架在专家引导的空间先验条件下达到了96.97%的平衡准确率,在自主基线条件下达到88.67%。该模型对正常、破裂和血肿组的灵敏度均为100%,对包膜挛缩组的灵敏度为87.88%;少量假阴性结果可追溯至形态学异质性和合并病理。此外,该系统提取了定量形态学特征谱,包膜挛缩的平均相对包膜厚度为2.4±0.4%,血肿的平均相对液体面积为13.9±6.4%。

结论

所提出的多尺度模型能够提供全面的临床级输出,包括准确的并发症分类、五分区空间定位和客观的形态学定量指标,同时降低了操作者依赖性。该系统作为乳房植入物患者长期安全性筛查的可及性高性能决策支持工具,具有强大的应用潜力。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号