MDF-Net:一个多尺度的动态融合网络,用于超声波图像的乳腺瘤细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在超声波图像中精确的乳腺瘤细分对于早期检测和诊断至关重要.
• 挑战包括低对比度,斑点噪音和瘤形状/大小的变化.
• 现有的方法与这些固有的图像复杂性作斗争.

研究的目的:

• 提出一种新的多尺度动态融合网络 (MDF-Net),用于强大的乳腺超声波瘤细分.
• 通过解决噪声和学科间变化来提高细分精度.
• 提高用于临床应用的自动瘤分析的可靠性.

主要方法:

• 一个两阶段的端到端架构,包括用于多尺度特征选择的干子网络和改进子网络.
• 主干网络是一个扩展的UNet++网络,具有简化跳过路径和各个规模的深度监督.
• 混合损失函数和结构优化的多尺度动态融合 (MDF) 机制用于功能集成.

主要成果:

• 在两个公共数据集上,MDF-Net在最先进的方法上取得了优异的Dice分数和性能.
• 定性分析表明,对瘤变异,斑点噪声和影像的稳定性.
• 该网络还显示了电子显微镜神经结构细分中的效率和有效性.

结论:

• 拟议的MDF-Net在乳腺超声波瘤细分方面取得了重大进展.
• 它的强大性能解决了医学图像分析中的关键挑战.
• 网络的适应性表明了其他复杂的图像细分任务的潜力.