FSE-Net:用于乳房镜分类的特征选择和增强网络
Caiqing Liao1, Xin Wen1, Shuman Qi1
1College of Software Engineering, Taiyuan University of Technology, Taiyuan 030600, People's Republic of China.
Physics in medicine and biology
|September 15, 2023
概括
一个新的特征选择和增强网络 (FSE-Net) 准确地对乳腺癌检测的乳房影像进行分类,无需手动区域注释. 这个人工智能工具通过提高诊断准确性和识别可疑区域来帮助放射科医生.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现乳腺癌对于有效治疗至关重要.
- 卷积神经网络 (CNN) 在乳房影像分析中表现有前途,但在分类不同大小的病变和提取微妙特征方面仍然存在挑战.
- 当前的方法通常依赖于劳动密集型的兴趣区域 (ROI) 注释,阻碍了可扩展性.
研究的目的:
- 开发一种用于自动化乳房造影分类 (癌症与无癌症) 的新型网络,克服现有的计算机辅助诊断系统的局限性.
- 为了提高乳房影像解释的准确性和效率,协助放射科医生在早期诊断乳腺癌.
主要方法:
- 提出了一种新的特征选择和增强网络 (FSE-Net),只使用乳房图像和图像级标签,无需界限框或面具.
- 实现了自适应特征选择模块,以融合来自多尺度受体场的特征,捕获上下文信息.
- 设计了一个功能增强模块,以利用不同分辨率的功能地图之间的相关性,提高表示能力.
主要成果:
- 在CBIS-DDSM数据集上,FSE-Net的精度为0.806,曲线下的面积 (AUC) 为0.866.
- 在INbreast数据集上,FSE-Net表现出卓越的性能,精度为0.956和AUC为0.974.
- 突出地图分析表明,网络可以大致定位可疑区域,有助于最终的图像预测.
结论:
- 拟议的FSE-Net在乳腺癌分类方面取得了令人满意的表现,证明了它作为乳腺癌诊断的有效工具的潜力.
- 该网络能够自动分类乳房影像并大致识别可疑区域,这可以帮助放射科医生,可能导致更准确和更有效的诊断.
- FSE-Net解决了病变大小变化和特征提取的挑战,而不需要繁的手动注释.
