基于视网网的高效神经网络,用于乳房扫描检测乳腺质量
IEEE journal of biomedical and health informatics
|March 1, 2024
概括
这项研究介绍了ERetinaNet,这是一种高效的深度学习模型,可以显著提高乳房摄影中检测乳房质量的准确性和速度. 新系统通过克服低对比度和组织干扰等挑战,提高了早期乳腺癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 乳房摄影对于诊断乳腺疾病至关重要.
- 计算机辅助检测 (CAD) 系统有助于识别乳腺质量.
- 哺乳镜的挑战包括低对比度和组织干扰,妨碍精确的质量检测.
研究的目的:
- 提出一个高效的视网膜网络 (ERetinaNet),以提高乳房扫描乳腺质量检测的准确性和推断速度.
- 提高特征提取和网络效率,以提高诊断性能.
主要方法:
- 开发了一个高效的RetinaNet (ERetinaNet) 集成一个更快的RepVGG (FRepVGG) 骨干.
- 实施了诸如重新参数化的多分支训练结构,特征凝聚 (提取操作) 和有效的多光谱通道注意 (eMCA) 模块等策略.
- 集成视觉转换器 (ViT) 用于全球语义信息学习,并简化了检测头以提高效率.
主要成果:
- 与原来的Retina.Net相比,ERetinaNet的平均平均精度 (mAP) 从79.16%提高到85.01%.
- 显著减少推断时间,提高检测速度.
- 在检测准确度方面表现优于其他物体检测网络,如Faster R-CNN,SSD,YOLOv3和YOLOv7.
结论:
- ERetinaNet提供了一个更准确,更有效的解决方案,用于乳房扫描乳腺质量检测.
- 拟议的模型有效地解决了乳房学方面的挑战,有可能提高早期诊断率.
- 在这个领域,ERetinaNet在现有的最先进的物体检测方法上表现出卓越的性能.
