可学习的DoG卷积波器用于微化检测
Marco Cantone1, Claudio Marrocco1, Francesco Tortorella2
1Department of Electrical and Information Engineering, University of Cassino and Southern Latium, Cassino, FR 03043, Italy.
Artificial intelligence in medicine
|September 6, 2023
概括
这项研究介绍了DoG-MCNet,这是一种新型的卷积网络,可以自动学习高斯差异 (DoG) 过器,以增强乳房影像中的微化检测,提高精度.
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:
- 差异高斯 (DoG) 过器是早期在乳房影像中检测微化的方法.
- 传统的DoG过器在微化对比度和度的变化中扎.
研究的目的:
- 开发一种新的卷积网络 (DoG-MCNet),可以自动学习最佳的高斯差异过器.
- 为了提高乳房图像中微化的检测性能.
主要方法:
- 提出了DoG-MCNet,这是一个卷积网络,具有第一个学习DoG过器库的第一层.
- 过器由它们的标准偏差进行参数化,允许自适应带通预处理.
主要成果:
- 学习的DoG层可以作为带通波器的自适应银行.
- 与基线MCNet相比,DoG-MCNet实现了4.86%的AUFROC改善.
- 与最先进的多语境合奏CNN相比,观察到AUFROC有1.53%的改善.
结论:
- 在DoG-MCNet中学习的高斯差异过器提高了微化检测.
- 拟议的方法在乳房影像分析的现有技术上提供了显著的改进.
