在使用密度和质量大小的乳房图像中,改善了质量细分的损失功能

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 瘤学 诊断 诊断 瘤学

背景情况:

• 乳腺癌群体细分对于诊断至关重要,提供位置,大小和边界细节.
• 分段化的挑战包括像素类不平衡以及质量外观和尺寸的变化.
• 现有的失衡损失函数公式显示了改善,但缺乏全面的解决方案.

研究的目的:

• 为改善乳腺癌质量细分提供损失计算的新视角.
• 开发一种混合损失函数,整合样本级和区域级信息.
• 通过考虑质量大小和密度来提高细分性能.

主要方法:

• 引入了混合损失设置,将二进制细分损失与样本级和区域级信息相结合.
• 开发了两种损失函数变化,包括质量大小和密度.
• 提出了一种使用质量大小和密度来增强焦点损失的变体.

主要成果:

• 拟议的混合损失函数显著改善了乳腺癌质量细分性能.
• 与基线和最先进的方法相比,该方法显示出更优异的结果.
• 在基准数据集上验证的有效性:CBIS-DDSM和INbreast.

结论:

• 新的混合损失函数为解决细分挑战提供了更全面的方法.
• 纳入样本和区域级信息,以及质量特征,可以提高细分的准确性.
• 这种方法有望改善自动化乳腺癌检测和诊断.