乳房超声波图像增大和细分使用GAN与身份块和修改的U-Net 3使用
Meshrif Alruily1, Wael Said2,3, Ayman Mohamed Mostafa1
1College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
本研究引入了一种混合方法来检测乳腺癌,使用生成对抗网络 (GAN) 来进行图像增强和修改的U-Net 3+进行细分,提高早期检测的准确性.
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:
- 乳腺癌是妇女死亡的主要原因之一.
- 早期检测可显著改善治疗结果和生存率.
- 医疗图像的准确细分和增强对于诊断工具至关重要.
研究的目的:
- 开发一种混合框架,通过图像增强和细分来增强乳腺癌检测.
- 为了提高乳腺癌超声波图像分析的效率和准确性.
- 提出一种结合先进生成对抗网络 (GAN) 和U-Net架构的新方法.
主要方法:
- 使用修改后的GAN进行图像增强,具有非线性身份块,标签光滑和新的丢失函数.
- 使用修改后的U-Net 3+架构进行图像细分.
- 对超声波增强和细分现有GAN和U-Net模型进行比较分析.
主要成果:
- 修改后的GAN在超声波增强中取得了卓越的性能,其初始得分为14.32和Fréchet初始距离 (FID) 为41.86.86.
- 经过修改的U-Net 3+显示了高的细分精度,获得了95.49%的子得分和95.67%的精度.
- 混合方法在增强和细分任务中表现优于其他方法.
结论:
- 拟议的混合框架为乳腺癌超声波图像分析提供了高效和有效的解决方案.
- 新的GAN和U-Net修改有助于提高早期发现乳腺癌的诊断能力.
- 这种方法具有显著的潜力,可以提高乳腺癌诊断中的临床决策.
