自动乳房超声波 (ABUS) 基于全球和本地特征融合的瘤细分
Yanfeng Li1, Yihan Ren1, Zhanyi Cheng1
1School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044, People's Republic of China.
Physics in medicine and biology
|May 17, 2024
概括
这项研究引入了一种新的全球和本地特征相互作用模型与图形融合 (GLGM) 进行改进的3D自动化乳腺超声波 (ABUS) 瘤细分. GLGM模型表现出卓越的性能,特别是在细分小瘤方面,增强了计算机辅助诊断系统.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 在自动化乳房超声波 (ABUS) 中精确的瘤细分对于计算机辅助诊断至关重要.
- 瘤多样性和成像干扰在ABUS细分中提出了重大挑战.
- 现有的方法难以精确细分,特别是对于小或微妙的病变.
研究的目的:
- 开发一个先进的模型,用于精确的3D ABUS瘤细分.
- 为应对瘤多样性和成像干扰所带来的挑战.
- 为了提高ABUS图像中小瘤的检测和细分.
主要方法:
- 提出了一个与图形融合 (GLGM) 结合的全球和本地特征交互模型.
- 构建了一个双分支编码器-解码器架构,用于提取本地和全球特征.
- 实施了基于图形卷积的浅特征融合模块,以改善小瘤细分.
主要成果:
- 与最先进的方法相比,GLGM模型在私人和公共的ABUS数据集上实现了更高的性能.
- 在细分小瘤 (体积<1厘米3) 方面显著改善,占私人数据集的50%以上.
- 全球和本地特征融合有效地增强了信息交换和特征表示.
结论:
- 拟议的GLGM模型为3D ABUS瘤细分提供了一个强大的解决方案.
- GLGM在细分具有挑战性的小瘤方面表现出特别高的有效性,提高了诊断准确度.
- 这一进步有望提高乳腺癌查中的计算机辅助诊断.
