通过超声波图像对乳腺瘤进行细分和分类的多任务学习
Qiqi He1, Qiuju Yang2, Hang Su2
1School of Physics and Information Technology, Shaanxi Normal University, Xi'an, China; School of Life Science and Technology, Xidian University, Xi'an, China.
Computers in biology and medicine
|March 21, 2024
概括
一个新的网络,ACSNet,增强了乳腺瘤细分和分类在超声波图像. 它通过优化功能共享和处理复杂的瘤特征来提高诊断准确性,以更好地检测癌症.
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:
- 乳腺超声波 (BUS) 计算机辅助诊断 (CAD) 对于乳腺癌诊断至关重要.
- 由于图像质量和瘤变异性,BUS图像的自动细分和分类面临着挑战.
- 现有的多任务学习方法经常遭受冗余的信息传输,阻碍性能.
研究的目的:
- 开发一个新的多任务学习网络,ACSNet,以改善乳腺瘤细分和分类在BUS图像中.
- 为了解决传统的多任务学习方法中功能共享的局限性,用于BUS分析.
- 提高自动乳腺瘤检测和表征的准确性和稳定性.
主要方法:
- 推出了ACSNet,这是一个多任务学习网络,具有新的网关单元,以实现最佳的编码器-解码器信息传输.
- 开发了可变形空间注意模块 (DSAModule),以提高不同瘤形态的细分精度.
- 集成的多尺度特征提取和道注意力在良性/恶性歧视的分类分支.
主要成果:
- 在两个公共公共公共汽车数据集上,ACSNet的表现优于现有的多任务学习方法,用于细分和分类.
- 实现了专门用于BUS瘤细分的最先进的结果.
- 证明了对非均强度,模两可的边界和不同瘤形状的更好处理.
结论:
- ACSNet有效地优化了用于BUS分析的多任务学习中的功能利用.
- 拟议的网络提高了使用超声波检测乳腺癌的诊断准确性.
- 在乳腺瘤学中,ACSNet为计算机辅助诊断提供了有前途的进展.
