MS-CFNet:一个基于多个规模的临床研究和特征提取指导的网络,用于在超声波中对乳腺纤维瘤进行细分
Yongxin Guo1,2, Yufeng Zhou1,2,3
1State Key Laboratory of Ultrasound in Medicine and Engineering, College of Biomedical Engineering, Chongqing Medical University, Chongqing, 400016 China.
Biomedical engineering letters
|January 8, 2024
概括
本研究介绍了MS-CFNet,这是一种深度学习模型,用于在超声波图像中对乳腺纤维腺瘤进行细分. 它通过整合放射科医生的专业知识和先进的AI模块来提高准确性,提高瘤边界检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 超声波中的乳腺瘤细分是很困难的,因为图像质量低和文物.
- 准确的细分对于诊断和治疗规划至关重要.
研究的目的:
- 开发一个强大的深度学习网络,以在超声波图像中对乳腺纤维瘤进行细分.
- 通过一种新的方法来提高细分精度和边界定义.
主要方法:
- 开发了MS-CFNet模型,集成空间局部特征对比 (SLFC) 和频道递归封闭注意 (CRGA) 模块.
- 整合了全尺寸的功能融合,增强了深度监控,以及一种新的Cosh-smooth损失功能.
- 在1262张乳腺纤维瘤超声波图像的综合数据集上训练和评估模型.
主要成果:
- 与最先进的方法相比,MS-CFNet显示出更高的性能.
- 与TransUNet基线相比,实现了1.47%的子相似系数 (DSC) 和2.56%的平均交叉点比联盟 (MIOU) 的改进.
- 该模型有效地捕捉了瘤轮,并增强了边缘感知,用于精确的细分.
结论:
- 拟议的MS-CFNet在超声波图像中有效地对乳腺纤维腺瘤进行细分.
- 临床诊断程序和AI的整合提高了细分性能.
- 通过改进的图像分析,MS-CFNet为改善乳腺癌诊断提供了一个有希望的解决方案.
