通过使用双输入CNN与GAP引导的注意力丧失改进了乳房超声波瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 超声波对于乳腺癌检测至关重要,但手动方法是可变的,耗时.
• 计算机辅助诊断 (CAD) 系统提供效率,但与超声波图像中的噪音和文物作斗争.
• 现有的CAD方法往往忽略了图像噪声和文物对诊断准确性的影响.

研究的目的:

• 提高乳房超声波图像分析的精度,以识别组织,器官和病变.
• 为改进瘤分类提出一种新的双输入模型,使用全球平均汇集 (GAP) 引导的注意力丧失函数来改进瘤分类.
• 为了减轻乳房超声波图像中信息丢失或冗余造成的错误分类.

主要方法:

• 开发了一种结合ResNet和MobileViT架构的新型双输入模型,用于增强本地和全球功能提取.
• 设计了一条双输入通道,以结合注意力图像和原始乳房超声波图像,减少噪音和文物影响.
• 实现了融合模块和GAP操作引导的注意力丧失功能,以改善功能融合和引导注意力机制.

主要成果:

• 拟议的方法有效地从目标区域提取特征,并减少由于噪音和文物而导致的错误分类.
• 在BUSI和BUSC数据集上的实验表明,与最先进的方法相比,性能优越.
• 双输入方法显著提高了超声波图像中乳腺瘤分类的准确性.

结论:

• 新的双输入模型与GAP引导的注意力丧失在乳腺超声波瘤分类方面取得了重大进展.
• 这种方法有效地解决了噪音和人工制造物的挑战,从而导致更准确的诊断.
• 开发的方法显示了改善医学成像中的计算机辅助诊断系统的前景.