一种基于cGAN的瘤细分方法,用于乳房超声波图像
Guizeng You1, Yuanyuan Qin1, Congrui Zhao1
1Faculty of Information, Beijing University of Technology, Beijing, People's Republic of China.
Physics in medicine and biology
|June 5, 2023
概括
这项研究使用条件生成对抗网络 (cGAN) 增强了乳房超声波图像,并通过优化的EfficientUNet模型提高了瘤细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 在超声波图像中精确细分乳腺瘤对于诊断和治疗计划至关重要.
- 现有的方法经常在图像质量和精确的瘤边界划分方面扎.
- 需要数据增强技术来提高细分模型的稳定性.
研究的目的:
- 开发一种用于增强乳房超声波图像和细分瘤的新方法.
- 为了提高增强超声波图像的真实性和瘤细分的准确性.
- 引入一个优化的EfficientUNet架构,用于精确的医疗图像细分.
主要方法:
- 利用条件生成对抗网络 (cGAN) 进行数据增强和数据集扩展.
- 采用对抗性培训来提高空间一致性,取代传统的后处理方法.
- 提出了一个EfficientUNet模型,集成ResNet18,注意力机制 (SENet) 和深度监督,以增强特征提取和更快的融合.
主要成果:
- 提出的cGAN方法有效地提高了乳房超声波图像的质量和真实性.
- 优化后的EfficientUNet实现了高细分性能,Dice和IoU分数分别为0.8856和0.8111,在数据集B上.
- 整合ResNet18和SENet改善了特征提取和瘤边界检测.
结论:
- 对数据增强的cGAN和对细分的优化EfficientUNet的结合方法在乳腺瘤分析方面取得了重大进展.
- 这项研究证明了生成对抗训练和先进的神经网络架构在医学图像分析中的有效性.
- 这项工作为超声波图像的乳腺瘤细分提供了更准确和更强大的解决方案.
