对深度学习方法进行比较分析,用于在全面查性乳房镜上检测病变

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:

• 乳腺癌是女性最常见的癌症,乳房扫描是主要的诊断工具.
• 在乳房影像中检测病变是具有挑战性的,因为对比度差以及病变特征多样化.
• 深度学习 (DL) 显示了改善自动化医疗图像分析的前景.

研究的目的:

• 为了对最先进的深度学习方法进行基准测试,以检测乳腺损伤在乳房摄影中.
• 在公共数据集上评估五个领先的DL架构的性能.
• 使用包括mAP和真实阳性率 (TPR) 在内的指标来比较检测准确度.

主要方法:

• 评估了五个深度学习架构:CenterNet,YOLOv5,更快的R-CNN,EfficientDet和RetinaNet.
• 使用了公开可用的CBIS-DDSM乳腺扫描数据集 (1592张图像).
• 使用L1和L2本地化损失训练模型,通过七个关键指标评估性能.

主要成果:

• 所有评估的网络均实现了超过60%的平均精度 (mAP).
• 中心网 (砂-104骨干) 实现了70.71%的mAP和96.10%的TPR.
• YOLOv5实现了69.36%的mAP和92.19%的TPR,超过了其他最先进的模型.

结论:

• 深度学习模型,特别是CenterNet和YOLOv5,对于乳腺病变检测非常有效.
• 这些发现表明DL可以提高乳腺癌诊断的准确性和效率.
• 这项研究为人工智能驱动的乳房镜分析的未来研究提供了宝贵的基准.