DBU-Net:双分支U-Net用于乳腺超声波图像中的瘤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 乳房超声波图像经常受到低质量和瘤边界不清楚的影响,这使得准确的诊断变得复杂.
• 精确的瘤细分对于有效的乳腺癌诊断和治疗计划至关重要.
• 现有的U-Net架构显示出希望,但需要进一步增强具有挑战性的医疗图像.

研究的目的:

• 推出DBU-Net,这是一种新的U-Net变体,旨在提高乳房超声图像中的瘤细分精度.
• 通过采用结合原始和边缘过图像的双分支编码策略来增强特征提取.
• 为诊断乳腺瘤的医生提供自动化的技术援助.

主要方法:

• 提出了DBU-Net架构,有两个不同的编码路径:一个使用原始图像,另一个使用罗伯茨边缘过图像.
• 每个编码器分支独立使用卷积层和聚合层.
• 一个动态加权的加法方案促进双分支之间的交叉学习,优化功能集成.

主要成果:

• 与现有的最先进的模型相比,DBU-Net在乳腺瘤细分方面表现优越.
• 对两个基准数据集进行了实验:BUSI和UDIAT.
• 双分支编码策略有效地提高了语义信息提取和细分精度.

结论:

• DBU-Net在自动乳腺超声波瘤细分方面取得了重大进展.
• 拟议的架构有效地解决了低图像质量和不清晰的界限所带来的挑战.
• 这种方法有可能成为一个有价值的工具,帮助临床医生诊断乳腺癌.