基于多视图融合的局部-全球动态金字塔卷积交叉变压器网络用于乳房学中的密度分类
Yutong Zhong1, Yan Piao1, Guohui Zhang2
1Electronic Information Engineering School, Changchun University of Science and Technology, Changchun, People's Republic of China.
Physics in medicine and biology
|October 12, 2023
概括
这项研究引入了一种用于乳腺密度分类的新型网络,通过整合多视图乳房扫描数据来提高准确性. 新模型通过使用先进的深度学习技术,提高了乳腺癌风险评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 乳腺密度是乳腺癌的一个关键风险因素.
- 当前的乳房学分类方法往往无法充分利用多视图数据,限制了准确性.
- 准确的乳腺密度分类对于风险分层和早期检测至关重要.
研究的目的:
- 开发一种先进的深度学习模型,以使用多视图乳房扫描来改进乳房密度分类.
- 从乳房图像中增强本地和全球特征的利用.
- 解决公共数据集中的类不平衡问题,以获得更强大的模型性能.
主要方法:
- 提出了一个局部-全球动态金字塔卷积变压器网络 (LG-DPTNet) 用于多视图融合.
- 使用动态金字塔卷积网络进行自适应单视图特征提取 (本地和全球).
- 利用交叉变压器将细粒度和全球背景信息整合到各个视图中.
- 实现了不对称的焦点损失功能,以处理训练期间的类失衡.
主要成果:
- 在CBIS-DDSM数据集上获得曲线下的面积 (AUC) 为96.73%.
- 在INbreast数据集上获得了91.12%的AUC.
- 与基线和最先进的方法相比,证明了卓越的性能.
结论:
- 拟议的LG-DPTNet有效地利用多视图造乳镜信息进行乳腺密度分类.
- 该模型在分类准确性方面明显优于现有方法.
- 这种方法通过改进的乳腺扫描分析,为乳腺癌风险评估提供了有前途的进展.
