注意门和扩展U形网络 (GDUNet):一个高效的乳房超声波图像细分网络,具有多尺度信息提取
Jiadong Chen1, Xiaoyan Shen2, Yu Zhao1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Quantitative imaging in medicine and surgery
|February 28, 2024
概括
我们开发了GDUNet,这是一个轻量级的乳腺损伤细分模型,用于改进乳腺癌诊断. 这种高效的网络显著降低了复杂性,并提高了超声波图像的细分精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 乳腺癌查依赖于计算机辅助诊断 (CAD) 系统.
- 乳房超声波图像中精确的病变细分至关重要,但由于图像质量问题而具有挑战性.
- 现有的细分网络往往太复杂,无法在实践中临床应用.
研究的目的:
- 开发一个高效和轻量级的乳腺损伤细分模型.
- 用超声波图像提高乳腺癌诊断的准确性和速度.
主要方法:
- 开发了注意力门和扩展U形网络 (GDUNet).
- 集成了一个改进的反向瓶,用于编码器的标记化多层感知子 (MLP).
- 包含一个轻量级的注意力门 (AG) 和AG扩展 (AGDT) 块,用于噪声过和多尺度特征捕获.
主要成果:
- 比起UNet,GDUNet的规模小10倍,计算复杂性小58倍.
- 与UNet相比,GDUNet的推断速度是UNet的两倍.
- 在两个乳腺癌数据集上实现了比最先进的方法优越的细分性能.
结论:
- GDUNet为超声波图像提供先进,高效的乳腺病变细分.
- 该模型在不同的数据集中显示出高性能,适合临床环境.
