CAPNet:背景注意力金字塔网络,用于计算机辅助检测数字乳腺图莫合成中的微化集群
Jingkun Wang1, Haotian Sun1, Ke Jiang2
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei 230026, China; Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou 215163, China.
Computer methods and programs in biomedicine
|October 2, 2023
概括
本研究引入了一种新的计算机辅助检测 (CADe) 方法,该方法使用上下文注意力金字塔网络 (CAPNet) 来用于数字乳腺合成 (DBT) 中的微化集群 (MC). 这种新的方法提高了早期乳腺癌检测的准确性和速度.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 计算机辅助检测 (CADe) 微化集群 (MCs) 在数字乳腺图合成 (DBT) 中对于早期乳腺癌诊断至关重要.
- 现有的卷积神经网络 (CNN) 模型在检测小,低对比度的MC时面临局限性,并且在注释框中容易受到背景干扰.
研究的目的:
- 开发一种新的基于CNN的CADe方法,以克服DBT内MC检测的局限性.
- 提高MC检测的准确性和速度,以改善早期乳腺癌诊断.
主要方法:
- 开发了一种新的上下文注意力金字塔网络 (CAPNet),用于在2D切片中检测内层MC.
- 使用3D聚合程序将2D检测结合到基于空间连接的3D结果中.
- CAPNet包含一个上下文特征选择融合 (CFSF) 模块,以丰富浅层特征,以及一个微化响应 (MCR) 分支,以减少背景影响.
主要成果:
- 拟议的方法在内部临床数据集上实现了91.56%的灵敏度,每DBT体积1个虚假阳性,每DBT体积2个虚假阳性,达到93.51%.
- 在比较实验中,性能明显优于其他代表性检测模型.
结论:
- 开发的方法证明了在DBT中检测MC的有效性,提供客观和准确的诊断建议.
- 这种方法对放射科医生在早期乳腺癌查中具有潜在的临床价值,提高了诊断效率.
更多相关视频
10:26Author Spotlight: A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules
Published on: May 19, 2023
1.9K
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
639