BraNet:基于深度学习算法进行乳房图像分类的移动应用程序
相关实验视频
Updated: Jun 27, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
Yuliana Jiménez-Gaona1,2,3, María José Rodríguez Álvarez4, Darwin Castillo-Malla5,4,6
1Departamento de Química y Ciencias Exactas, Universidad Técnica Particular de Loja, San Cayetano Alto s/n CP1101608, Loja, Ecuador. ydjimenez@utpl.edu.ec.
Medical & biological engineering & computing
|May 1, 2024
概括
移动应用程序BraNet在乳房超声波图像的分类中显示出高准确度,超过了乳房扫描的分类. 这凸显了深度学习中数据多样性对于乳腺癌检测的重要性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 移动健康服务提供者
背景情况:
- 移动健康 (mHealth) 应用程序利用人工智能进行乳腺癌检测,帮助放射科医生并减少误诊.
- 深度学习模型越来越多地用于瘤学中的图像分析.
研究的目的:
- 开发"BraNet",一个开源的移动应用程序,用于使用深度学习对二维乳房图像进行细分和分类.
- 为了评估BraNet应用程序在分类乳房显影 (DM) 和超声波 (US) 乳房图像中的性能.
主要方法:
- 使用React Native开发BraNet,包括预训练的细分 (SAM) 和分类 (ResNet18) 模型.
- 训练有素的模型使用由SNGAN模型生成的合成图像.
- 为iOS和Android设备实现了一个客户端-服务器架构.
- 在290张RoI图像上与两名放射科医生进行了读者研究,使用kappa系数评估协议.
主要成果:
- 与DM相比,BraNet在分类良性和恶性美国图像方面取得了高准确性 (94.7%/93.6%) (培训I:80.9%/76.9%;培训II:73.7%/72.3%).
- 放射科医生的精度为DM的29%,美国的70%,在美国分类中表现更高.
- 卡帕值表明读者之间对德国图像达成公平协议 (0.3),对美国图像达成中等协议 (0.4).
结论:
- 该 BraNet 应用程序在分类乳房超声波图像方面表现出卓越的性能.
- 数据的数量和多样性,特别是对具有多种BI-RADS类别的乳房造影,对于乳腺癌检测中准确的深度学习模型性能至关重要.
