基于深度学习的多式融合网络,用于使用B模式和弹性图像超声波图像进行乳腺癌的细分和分类
Sampa Misra1, Chiho Yoon1, Kwang-Ju Kim2
1Department of Electrical Engineering, Convergence IT Engineering, Mechanical Engineering, Medical Device Innovation Center, and Graduate School of Artificial Intelligence Pohang University of Science and Technology Pohang South Korea.
Bioengineering & translational medicine
|November 29, 2023
概括
使用B模式和应变弹性学超声波图像的深度学习方法改善了乳腺病变的分类. 这种计算机辅助诊断系统提高了放射科医生检测乳腺癌的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 超声波对于乳腺损伤的评估至关重要.
- 计算机辅助诊断 (CAD) 系统帮助放射科医生进行病变细分和特征识别.
- 区分良性病变和恶性病变仍然是一个挑战.
研究的目的:
- 开发深度学习 (DL) 方法,使用B模式和应变弹性学 (SE模式) 超声波图像对乳腺病变进行细分.
- 通过将两种成像方式的信息融合,将病变分类为良性或恶性.
- 为了提高超声波图像中乳腺癌检测的准确性.
主要方法:
- 为病变细分提出了一个加权的多式联络U-Net (W-MM-U-Net),强调不同成像方式的最佳加权.
- 设计了一个多式联络融合框架 (MFF),其中包括一个集成的特征网络 (IFN) 和一个用于分类的决策网络 (DN).
- 采用卷积神经网络 (CNN) 和多模式的EmbraceNet模型,从B模式和SE模式图像中学习互补信息.
主要成果:
- 在真实世界的临床数据上实现了高性能,灵敏度为100%和特异性为94.28%.
- 拟议的多式联运方法的性能优于现有的单式联运和多式联运方法.
- 证明了强大的分类,在100%的试验中正确识别恶性病例.
结论:
- 开发的基于DL的多式联络方法显著提高了乳腺病变分类的准确性.
- W-MM-U-Net和MFF为病变细分和良性/恶性差异化提供了有效的工具.
- 这种方法有可能提高放射科医生在使用超声波检测乳腺癌方面的表现.
