完全卷积网络用于自动检测和诊断乳腺扫描质量
Sujata Kulkarni1, Rinku Rabidas1
1Department of Electronics & Communication Engineering, Assam University, Silchar, 788010 Assam India.
Multimedia tools and applications
|June 26, 2023
概括
这项研究引入了U-Net深度学习模型,用于早期发现和表征乳腺癌. 该模型在识别乳腺质量和将其分类为良性或恶性方面表现出高度准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是妇女的重大健康问题,早期检测对于降低死亡率至关重要.
- 准确检测和描述乳腺质量对于有效的治疗计划至关重要.
研究的目的:
- 提出基于U-Net的深度学习架构,用于检测乳腺质量.
- 用拟议的模型将检测到的乳腺质量描述为良性或恶性.
主要方法:
- 基于U-Net的深度学习架构被开发用于乳腺质量检测和表征.
- 该模型在两个基准数据集上进行了评估:INbreast和DDSM.
- 性能指标包括真正阳性率,每张图像的假阳性,精度和曲线下的面积 (AUC).
主要成果:
- 在U-Net架构中,INbreast的真实阳性率高达99.64%,DDSM的真实阳性率高达97.36%.
- 质量表征的准确性达到了INbreast的97.39% (AUC 0.97) 和DDSM的96.81% (AUC 0.96).
- 提出的方法的性能优于现有的最先进的技术.
结论:
- U-Net的深度学习模型显示,对于准确的乳腺质量检测和表征有很大的前景.
- 这种方法可以帮助早期诊断乳腺癌,并有可能改善患者的治疗结果.
- 该模型在基准数据集上的表现表明其在乳房镜分析中的临床适用性.
