一个基于残余多层感知子网络的多任务融合模型,用于乳腺癌查的乳房扫描
Yutong Zhong1, Yan Piao1, Baolin Tan2
1School of Electronic Information Engineering, Changchun University of Science and Technology, Changchun 130022, PR China.
Computer methods and programs in biomedicine
|March 3, 2024
概括
这项研究引入了一种新的多任务融合模型,用于使用乳房影像进行乳腺癌查. 该模型整合了各种诊断任务,提高了诊断准确度,并为放射科医生提供了全面的见解.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的深度学习
- 计算机辅助诊断 (CAD) 是一种计算机辅助诊断.
背景情况:
- 目前用于乳房学术的深度学习模型通常专注于单个任务,可能错过了关键信息.
- 这可能导致忽视重要的形态和辅助乳腺组织特征.
- 为了更客观地诊断乳腺癌,需要采用综合方法.
研究的目的:
- 开发一种多任务融合模型,用于提高乳房影像的计算机辅助诊断 (CAD).
- 整合来自多个任务特定模型的特征,以便进行更全面的分析.
- 提高乳腺癌查的准确性和全面性.
主要方法:
- 训练了密度分类,质量细分和良性恶性分类的单独模型.
- 开发了一个多任务融合模型,将这些单独模型的特征结合起来.
- 在公开可用的数据集上评估模型:CBIS-DDSM和INbreast.
主要成果:
- 多任务融合模型在乳腺癌查任务上表现优于现有的最先进模型.
- 获得了0.92 (CBIS-DDSM) 和0.95 (INbreast) 的高曲线下面积得分.
- 在全面的乳腺癌诊断中表现出卓越的性能.
结论:
- 拟议的模型提供了一个全面的评估的病变和放射性特征在乳房影像.
- 提供有关潜在癌症风险因素的中间结果.
- 有潜力显著支持放射科医生在他们的工作流程.
