基于影像组学和深度学习在乳腺肿瘤分类中的应用价值分析

【摘要】 目的：探讨基于乳腺肿瘤超声图像，提取影像组学特征结合深度学习，鉴别乳腺癌的可行性。方法：收集739张超声图像，其中良性图像462张，恶性图像277张，按6︰2︰2比例分为测试集、训练集和验证集，采用五折交叉验证。构建3种模型：(1)用影像组学特征的机器学习模型；(2)卷积神经网络模型；(3)融合影像组学与深度学习的RC-Net。比较3种模型的诊断效果。结果：多层感知机(MLP)(3层)模型准确率为91.61%，曲线下面积(AUC)为0.951；EfficientNet-V2-Large准确率为82.68%，AUC为0.913；融合模型RC-Net准确率为96.62%，AUC达0.995。结论：RC-Net结合影像组学特征和深度学习，优于单一机器学习或卷积神经网络模型，可为乳腺肿瘤超声鉴别提供参考。更多还原