基于交叉视图VAE和空间隐性因子解的乳房图质量细分和分类
Yingran Ma1, Yanjun Peng2,3
1College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao, 266590, CO, China.
Physical and engineering sciences in medicine
|December 27, 2023
概括
这项研究引入了一种新的框架,用于使用交叉视图变异自编码器在乳房影像中对乳房质量进行分类和细分. 该方法有效地区分良性和恶性质量,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 医疗保健中的人工智能
背景情况:
- 乳腺质量的检测和鉴定在乳房影像中对于早期乳腺癌诊断至关重要.
- 质量形状,大小和纹理的不规则性对自动化分析构成重大挑战.
研究的目的:
- 开发一个完整的框架,用于在乳房影像中同时进行质量细分和分类.
- 为了提高表现,利用不同乳房扫描视图 (头骨尾部和中侧斜面) 的互补信息.
主要方法:
- 提出了一个交叉视图变异自编码器 (CV-VAE),具有空间隐藏因子解.
- 一个特征金字塔网络分类器和一个类似U-Net的解码器分别用于分类和细分.
- 该模型解开了类特定和背景因素,以增强特征学习.
主要成果:
- 该框架在公共数据集上的大规模细分方面实现了92.46%和93.70%的子相似系数 (DSC).
- 分类表现达到ROC曲线下的面积 (AUC) 为93.20%和95.01%.
- 与最先进的方法相比,综合方法显示出具有竞争力的结果.
结论:
- 拟议的CV-VAE框架有效地整合了跨视图乳房影像的补充信息.
- 乳腺质量的同时细分和分类可以以高准确度实现.
- 这种方法为乳房扫描中的计算机辅助诊断提供了有希望的进步.
