一个神经网络与人类学习范式,用于乳腺纤维腺瘤细分在超声波
Yongxin Guo1,2, Maoshan Chen3, Lei Yang3
1State Key Laboratory of Ultrasound in Medicine and Engineering, College of Biomedical Engineering, Chongqing Medical University, 1 Medical College Road, Chongqing, 400016, China.
Biomedical engineering online
|January 14, 2024
概括
一个新的人类学习范式在超声波图像中增强了乳腺纤维腺瘤细分. 这种方法提高了准确性和效率,可能减少年轻女性不必要的活检.
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:
- 乳腺纤维腺瘤是一个很大的问题,尤其对年轻女性来说.
- 计算机辅助诊断有助于早期发现瘤.
- 精确细分乳腺纤维瘤至关重要,以尽量减少像活检这样的侵入性手术,但由于超声波的图像质量问题而具有挑战性.
研究的目的:
- 开发和评估一种新的人类学习模式,用于超声波图像中自动化乳腺纤维瘤细分.
- 提高乳腺纤维瘤计算机辅助诊断的准确性和效率.
- 通过增强细分来减少不必要的乳腺活检的需要.
主要方法:
- 实现了一个具有特征碎片化和信息聚合阶段的人类学习范式.
- 注意力机制根据超声波图像特征进行了调整.
- 该模型在本地 (600张图像) 和公共 (246张图像) 乳房超声波数据集上进行了训练和验证.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD) 和推理速度评估性能,与TransUNet和其他最先进的方法进行比较.
主要成果:
- 拟议的人类学习范式显著改善了本地和公共数据集的细分性能.
- 结合C3ECA和LogSparse Attention的最佳性能模型在本地数据集上在DSC中超过了基线TransUNet的0.76%,在HD中超过了3.14mm.
- 该模型还将培训时间缩短了31.25%,并在公共数据集上表现出卓越的表现,在DSC中提高了0.42%,在HD中提高了5.13毫米.
结论:
- 开发的人类学习范式是优越和高效的超声波乳腺纤维瘤细分.
- 这种方法显示出在计算机辅助诊断中推进医疗图像处理的巨大潜力.
- 直观和高效的学习模式可以成为未来医学成像中神经网络应用的核心组件.
