带有多损失功能的CAM-QUS引导自调模块化CNN,用于在超声波图像中完全自动地对乳腺病变进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌是全球癌症死亡的主要原因,需要先进的诊断工具.
• 通过医学成像,如乳房超声波 (BUS) 的早期检测对于改善患者的治疗结果至关重要.
• 借助深度学习的计算机辅助诊断 (CAD) 系统显示出改善乳腺癌诊断的前景.

研究的目的:

• 开发基于深度学习的全自动化CAD系统,用于超声波图像中对乳腺病变进行分类.
• 通过增强特征提取和分类,提高乳腺癌诊断的准确性和可靠性.
• 创建一个可解释的AI (XAI) 系统,专注于临床相关的病变特征.

主要方法:

• 一个模块化的卷积神经网络架构,包括一个动态通道输入增强网络和一个注意力引导的InceptionV3功能提取器.
• 整合新的损失函数,包括基于类激活映射 (CAM) 和基于定量超声波 (QUS) 的特征损失,以及传统的分类交叉 (CCE).
• 一个并行特征转换网络,将深度特征映射到QUS特征空间中,以改进分类.

主要成果:

• 拟议的系统在多个数据集上实现了高性能,包括97.28%的准确性,93.87%的灵敏度和95.42%的F1分数在BUSI数据集上.
• 在来自不同来源的1494张图像的综合数据集上,该系统获得了91.50%的精度,89.38%的灵敏度和89.31%的F1分数.
• 性能明显超过了文献中报道的现有方法.

结论:

• 开发的自动化BUS诊断系统在分类乳腺病变方面表现出卓越的性能.
• 新的损失函数和网络架构使得可解释AI的临床相关特征的有效提取成为可能.
• 该系统为准确可靠的乳腺癌诊断提供了宝贵的工具,即使在资源有限的环境中也是如此.