使用深度卷积神经网络在超声波图像中对乳腺病变进行分类:转移学习与自动架构设计对比
Alaa AlZoubi1, Feng Lu2, Yicheng Zhu3
1School of Computing and Engineering, University of Derby, Derby, DE22 3AW, UK. a.alzoubi@derby.ac.uk.
Medical & biological engineering & computing
|September 22, 2023
概括
一个新的贝叶斯优化设计的卷积神经网络 (BONet) 显示了与转移学习模型相比,超声波图像对乳腺病变的分类精度更高. 突出地图有助于理解BONet的诊断决策.
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:
- 深卷积神经网络 (DCNNs) 在二维超声 (US) 图像中显示了乳腺病变分类的潜力.
- 当前的方法通常依赖于从自然图像架构中转移学习,对定制设计的网络的研究有限.
研究的目的:
- 综合评估基于转移学习的DCNN和用于乳腺损伤分类的自动设计网络.
- 为了比较各种DCNN模型的准确性,稳定性和效率.
主要方法:
- 开发了使用转移学习的六个DCNN模型 (BNet,GNet,SqNet,DSNet,rsNet,IncreNet).
- 适应贝叶斯优化来创建一个优化的CNN (BONet) 乳腺损伤分类.
- 在3034张美国图像的回顾性数据集上评估模型.
主要成果:
- 波内特实现了最高准确度 (83.33%) 低概括差距 (1.85%) 和降低模型复杂度.
- 与其他模型相比,BONet的训练时间较短 (66分钟).
- 所有模型的诊断性能与经验丰富的放射科医生进行了比较.
结论:
- 自动设计的BONet模型在超声波图像中的乳腺损伤分类中优于转移学习方法.
- 度图可以提高DCNN分类决定在医学成像中的解释性.


