bi-rads category 0的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

使用超音波影像紋理分析區別良性乳房纖維上皮瘤及惡性乳癌

為了解決bi-rads category 0的問題，作者吳佳芸 這樣論述：

研究目的：自西元2021年，世界衛生組織已發表乳癌正式成為女性排名第一的癌症，在乳房良性病灶中，最為常見的是纖維腺瘤，其次為纖維上皮瘤，而在惡性腫瘤中，侵入性乳癌佔所有乳癌發生率的8成。臨床上可藉由超音波影像來分辨腫瘤的良惡性，然而判斷上會受醫師診斷的經驗而有所差異。為了客觀分辨腫瘤的良惡性，近幾年有許多研究使用影像紋理分析來進行輔助診斷，然而尚未被使用在判斷良性纖維上皮瘤及惡性腫瘤，因此本研究的目的是希望透過超音波影像紋理分析，找出適合的影像特徵來客觀判斷良惡性之乳房腫瘤。研究方法：本研究採回溯性方式進行，收集西元2017年-2021年乳房超音波檢查的患者影像，本研究共採用105個乳房超音

波腫瘤影像，其中纖維上皮瘤40例，纖維腺瘤12例，惡性腫瘤53例，所有患者均透過組織切片來驗證腫瘤類型。超音波影像紋理特徵分析是使用LIFEx軟體針對腫瘤區域進行分析，此研究採用的紋理特徵包括：Shape、Histogram、Conventional、Discretized、 GLCM、 GLRLM、NGLDM及GLZLM，統計方法採用Mann Whitney U test分析，比較兩組患者在影像特徵上是否有顯著差異，最後透過ROC curve值與信度分析代表統計顯著性。結果與討論：本研究結果有79項紋理特徵，其中有四種紋理特徵GLRLM_HGRE、GLRLM_SRHGE、GLRLM_LRHG

E及GLZLM_LZHGE可以用來區別乳房纖維上皮瘤及乳房惡性腫瘤，此四種紋理特徵屬於高灰階值長條狀的特徵，透過數據上可得出惡性腫瘤的平均值在這四種紋理特徵中均大於纖維上皮瘤。結論：早期偵測乳癌的良惡性是很重要的，臨床上除了給予醫生既有的影像的資訊外，紋理分析將可以提供關於腫瘤影像更多細部資訊，本研究所找出的四種影像特徵在判斷良惡性腫瘤具有顯著效果，未來可搭配組織切片結果一起納入治療方針參考。

融合紋理資訊之深度學習模型判斷乳房X光攝影腫塊良惡性

為了解決bi-rads category 0的問題，作者陳柏瑋 這樣論述：

乳癌為造成全世界女性死亡的主要癌症之一，透過國內衛生福利部資料顯示:國內女性發生率最高的癌症也同為乳癌，有鑒於乳癌的盛行率，政府利用乳房X光攝影作為乳癌篩檢的初步診斷工具。乳房X光攝影提供了乳房的鈣化點以及腫塊資訊，使無病症的零期乳癌得以被發現，大幅提高患者的存活率。 透過醫學實證，乳癌篩檢確實降低了乳癌的致死率，但龐大的乳房X光攝影影像同時加重了放射科醫師的負擔。且因為乳房組織的複雜性，以及乳房腫塊之間的變異性，促使放射科醫師之間依據經驗的不同，對於乳房腫塊惡性程度的主觀判定存在著觀察者間的差異性(Inter-observer variability)。為了減輕放射科醫師的負擔以及降低觀

察者之間的差異性，發展電腦輔助診斷(Computer-aid diagnosis, CAD)，提供醫師客觀乳房腫塊良惡性分類結果就顯得相當重要。 自從Alex Krizhevsky利用卷積神經網路的深度學習模型(Convolutional Neuron Network, CNN)，在數量高達120萬的影像辨識競賽(ILSVRC)中以15.3%錯誤率取得冠軍後，促使近年來針對影像辨識的課題，大多朝向深度學習的方向進行開發。而在乳房攝影腫塊良惡性分類的議題上，以深度學習為導向的CAD開發上，也取得良好的成效。雖然深度學習達到良好的影像辨識能力，但訓練模型所花費的成本相當可觀，其中樣本數量的多寡更

是直接影響模型影像辨識的準確性。而在乳房X光攝影中，由於乳房腫塊的多樣性，訓練樣本不足的問題更是惡化了分類的準確性。為克服樣本不足的問題，本研究開發一學習紋理資訊為導向的深度學習模型。盼望在有限的影像數量下，利用其他深度學習模型所學習的特徵與紋理資訊相互融合，提高乳房腫塊良惡性分類的準確率。開發學習紋理為導向模型的過程中，Gabor Filter bank具有近似於人類初級視覺皮質層(Primary visual cortex) 擷取紋理資訊的能力，因此本研究發展學習紋理資訊為導向的深度學習模型是以Gabor filter bank為基底。透過第一層卷積層濾波器為Gabor filter ba

nk的設計，可以分別在紋理影像數據集(Kylberg Texture Dataset、Kth-Tips2-b Dataset)得到0.997±0.002、0.993±0.002辨識率。且在這兩個紋理數據集的樣本數量減少至原本的25%時，相較於單一的深度學習模型，合併AlexNet與本研究開發的深度學習模型可提升紋理影像的辨(Kylberg Texture Dataset提升1.6%；Kth-Tips-2-b Dataset 提升4%)。 相較於紋理數據集的資料量，乳房X光攝影數據集的樣本數量明顯不足。因此為降低模型過擬合(Overfitting)現象的產生，在訓練樣本(Training da

ta)方面採取傳統資料擴增(Data augmentation)的方法，提高乳房腫塊樣本的數量以及多樣性。在模型的開發的研究上，則是以GAP(Global average pooling layer)取代傳統全連接層(Fully-connected layer)的設計，大幅降低訓練參數。此外，為使模型學習多樣化的紋理特徵，本研究將先前所使用的紋理影像數據集(Kylberg Texture Dataset、Kth-Tips2-b Dataset)遷徙學習(Transfer learning)至本研究所開發深度學習模型，並利用Squeeze and Excitation Net強化模型學習紋理資訊

的能力。最終透過集成式學習(Ensemble learning)的方法結合VGG16、Inception-V3以及本研究開發的深度學習模型，最終得到乳房腫塊良惡性分類的整體準確率0.80±0.03(Specificity: 0.83±0.02，Sensitivity: 0.76±0.06)。 為輔助放射科醫師診斷乳房腫塊良惡性分類的議題上，本研究開發一學習紋理資訊為導向的深度學習模型，並藉由提供紋理資訊與其他深度學習模型相互融合後，提高模型判斷乳房腫塊良惡性的準確率，克服現有乳房腫塊影像有限的瓶頸。