通过微调和优化技术增强乳房超声波细分:敏的注意力UNet
Donya Khaledyan1, Thomas J Marini2, Avice O'Connell2
1Department of Electrical and Electronics Engineering, University of Rochester, Rochester, NY, USA.
bioRxiv : the preprint server for biology
|July 28, 2023
概括
这项研究提高了乳房超声波图像细分,使用了新的敏注意力UNet模型. 优化的深度学习方法显著提高了识别良性和恶性乳腺质量的准确性.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 乳房超声波图像细分对于计算机辅助诊断至关重要,但仍然具有挑战性.
- 深度学习 (DL) 模型,特别是UNet架构,正在彻底改变医学图像分析.
- 优化和微调DL模型对于提高细分精度和提高数据复杂度至关重要.
研究的目的:
- 评估图像预处理,优化和微调技术对乳房超声波图像的UNet模型的影响.
- 为了介绍和评估一种新的组合模型,Sharp Attention UNet.
- 将拟议模型的性能与现有的UNet变体进行比较.
主要方法:
- 图像预处理和优化技术的比较研究.
- 将优化和微调应用到 UNet,Sharp UNet 和 Attention UNet 上.
- 开发和评估的小说 敏的注意力 UNet模型.
- 使用子系数,特异性,灵敏性和F1分数进行定量评估.
- 使用McNemar测试进行统计分析.
主要成果:
- 拟议的尖注意力UNet实现了0.9283的子系数,0.9936的特异性,0.9426的灵敏度和0.9412的F1得分.
- 麦克纳马的测试表明,模型之间的性能差异很大.
- 与基线UNet模型相比,Sharp Attention UNet表现出了更高的性能.
结论:
- 尖的注意力UNet模型在超声波图像中为乳腺病变细分提供了卓越的性能.
- 这些发现表明,通过先进的DL技术,实现更准确,更可靠的乳腺癌诊断的途径.
- 这项研究有助于自动化医学图像分析的进步,以改善患者的治疗结果.
