深度学习网络用于超声波图像中的乳腺损伤分类:一项比较研究
概括
这项研究将深度学习模型用于超声波图像中的乳腺病变分类. EfficientNet实现了最高的准确性 (97.65%),证明了其用于乳腺癌诊断的临床潜力.
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:
- 在超声波图像中准确地分类乳腺病变是具有挑战性的,因为图像质量和可变性.
- 使用深度学习的计算机辅助诊断系统可以帮助诊断乳腺癌并减少观察者变化.
研究的目的:
- 在超声波图像中对六个最先进的卷积神经网络进行基准测试,用于乳腺损伤的分类.
- 评估细分信息对分类性能的影响.
- 为了确定临床应用的最佳深度学习模型.
主要方法:
- 在多中心 BUS 数据集 (BUSI,UDIAT) 上比较了 GoogLeNet,InceptionV3,ResNet,DenseNet,MobileNetV2 和 EfficientNet.
- 测试了每个网络的五种输入数据变化,包括细分信息.
- 使用精度,灵敏度,F1分数,准确度和AUC进行评估的性能.
主要成果:
- 带有背景输入数据细边缘的损伤在模型中产生了最佳性能.
- 使用这种输入变化,EfficientNet实现了最高的精度 (97.65%) 和AUC (96.30%).
- 该研究提供了一个标准化的评估,用于比较这个领域的深度学习模型.
结论:
- 深度神经网络显示出临床乳腺损伤分类的巨大潜力.
- EfficientNet是乳房超声波图像分析的一个有前途的模型选择.
- 标准化的基准对于在医学成像中推进AI至关重要.
