基于深度学习的免疫组织化学估计乳腺癌通过超声波图像应用程序

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:

• 乳腺癌对女性构成重大全球健康威胁,死亡率高.
• 准确的诊断和治疗决策在很大程度上取决于免疫组织化学检查结果.
• 早期检测和诊断的进步对于管理乳腺癌至关重要.

研究的目的:

• 开发基于深度学习的计算机辅助诊断 (CAD) 系统.
• 根据免疫组织化学发现对乳房超声波 (BUS) 图像进行分类.
• 帮助医生做出明智的术后乳腺癌治疗决策.

主要方法:

• 提出了一个新的深度学习框架,利用一个多层次特征蒸网络 (MFD-Net).
• 该网络包含深度可分离和反向深度可分离卷积,以增强特征提取.
• 集成了一个注意模块,包括频道和空间注意子模块,以提高分类准确性.

主要成果:

• 拟议的CAD模型在500张乳房超声波图像的数据集上实现了高性能.
• 对于雌激素受体 (ER) 分类,该模型的精度为0.8933,回忆率为0.7563,F1得分为0.8191,准确率为0.8386.
• 除研究证实了多阶段特征蒸和注意模块在提高精度方面的有效性.

结论:

• 开发的深度学习方法提供了一种高效的方法,通过免疫组织化学结果对乳腺癌进行分类.
• 这种创新技术为术后乳腺癌治疗计划提供了宝贵的帮助.
• 该系统有效地减少了诊断的复杂性,并提高了医疗专业人员的效率.