WATUNet:一个深度神经网络,用于对体积扫描成像超声波进行细分
Donya Khaledyan1, Thomas J Marini2, Avice O'Connell2
1Department of Electrical and Computer Engineering, University of Rochester, Rochester, NY, United States of America.
Machine learning: science and technology
|March 11, 2024
概括
一个新的深度学习模型,Wavelet_Attention_UNet (WATUNet),在超声波图像中准确地对乳腺病变进行细分. 这项创新改进了乳腺癌诊断,特别是通过体积扫描成像 (VSI),通过克服现有方法的局限性来改进.
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:
- 全球范围内对乳腺癌诊断的获取有限,导致治疗延迟.
- 超声波是有效的,但由于超声波专家的专业培训需求,其利用率不足.
- 卷扫描成像 (VSI) 允许未经培训的操作员捕获高质量的超声波图像,提供一个潜在的解决方案.
研究的目的:
- 引入一个新的深度学习细分模型,Wavelet_Attention_UNet (WATUNet),旨在提高乳腺损伤细分的准确性.
- 解决UNet架构的局限性,包括消失梯度和缺乏多尺度特征提取.
主要方法:
- 开发WATUNet模型,在编码器和解码器之间结合波波和注意门.
- 使用了两个数据集:一个公共的"乳房超声波图像"数据集 (780张图像) 和一个私人VSI数据集 (3818张图像).
- 细分病变成三个类别:没有质量,良性质量和恶性质量.
主要成果:
- 与其他深度网络相比,WATUNet模型实现了优越的细分性能.
- 在VSI数据集上获得0.94的子系数和0.94的F1得分.
- 在公开数据集上获得0.93的子系数和0.94的F1得分,超过了最先进的模型.
结论:
- 拟议的WATUNet模型在标准护理和VSI超声图像中精确地对乳腺病变进行细分.
- 在帮助病变识别方面,WATUNet显著有前途,这是临床乳腺癌诊断的关键步骤.
- 这一进步可以提高诊断准确性,效率和乳腺癌护理中的患者结果.
