对超声波乳腺结节神经网络模型作为医疗器械的噪声强度测试
Jiaxin Jiang1, Xiaoya Jiang2, Lei Xu3
1School of Mathematical Sciences, Zhejiang University, Hangzhou, China.
Frontiers in oncology
|July 10, 2023
概括
乳房超声波分析的深度学习模型对噪音敏感,准确度下降5-40%. 丹森网,UNet++和Yolov5显示出对常见的图像噪声类型的最强性.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 超声波图像具有低分辨率和高光斑噪声,阻碍了准确的诊断和特征提取.
- 深度学习模型广泛用于医学图像分析,但可能会受到图像质量问题的负面影响.
研究的目的:
- 研究深层卷积神经网络 (CNN) 的稳定性,用于乳房超声波图像分析 (分类,细分,目标检测).
- 为了评估各种噪音类型 (盐和胡,高斯,斑点) 在乳房超声波成像中对CNN性能的影响.
主要方法:
- 在8617张乳房超声波图像上训练并验证了9个CNN架构.
- 测试了具有噪音数据集的模型和训练了具有不同噪音水平的模型.
- 用标准指标评估的疾病和恶性瘤嫌疑的注释图像.
主要成果:
- 当引入盐和胡,斑点或高斯噪声时,模型准确性下降了5%-40%.
- 而DenseNet,UNet++和Yolov5则成为最强大的模型.
- 组合噪声对模型准确度的影响明显大于单个噪声类型.
结论:
- 深度学习模型在乳房超声波图像中表现出对不同噪声水平和类型的不同强度.
- 这些发现提供了对计算机辅助诊断 (CAD) 系统的黑子性质的见解.
- 本研究提出了一种新的方法,通过直接评估图像噪声的影响来评估CAD系统的稳定性.
