通过使用Unet3+深度学习框架的语义细分来改善乳腺癌检测和诊断
Taukir Alam1, Wei-Chung Shia1,2, Fang-Rong Hsu1
1Department of Information Engineering and Computer Science, Feng Chia University, Taichung 407, Taiwan.
Biomedicines
|June 28, 2023
概括
先进的语义细分模型,特别是Unet3+,显示出精确的乳腺癌检测和诊断超声波图像的希望. 这种人工智能方法有助于客观诊断,可能改善患者的治疗结果.
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:
- 准确的乳腺癌检测和诊断对于有效的治疗和改善患者结果至关重要.
- 当前的诊断方法可以是主观的,并从客观的,自动化分析中受益.
- 分段模型为分析医学图像 (如乳房超声波) 提供了潜在的解决方案.
研究的目的:
- 用乳腺超声波图像评估语义细分模型用于乳腺癌检测和诊断的性能.
- 将Unet3+架构的有效性与其他领先的细分模型进行比较.
- 评估模型识别乳腺成像报告和数据系统 (BI-RADS) 词汇的能力.
主要方法:
- 利用一种先进的语义细分方法与深层卷积神经网络.
- 他们比较了六种模型:Unet3+,FCN,Unet,SegNet,DeeplabV3+和psp.Net.
- 分析了309名患者的图像 (151名良性,158名恶性瘤).
主要成果:
- Unet3+模型实现了最佳性能,平均准确率为82.53%和平均交叉点在欧盟 (IU) 的52.57%.
- 权重IU达到89.14%,总的准确率为90.99%.
- 证明了语义细分在分析乳房超声波图像中的有效性.
结论:
- 语义细分模型,特别是Unet3+,为乳腺癌的检测和诊断提供了显著的结果.
- 拟议的方法为更准确和客观的乳腺癌诊断提供了潜在的途径.
- 提高诊断准确度可以带来更好的患者管理和结果.
