MFMSNet:一个多频率和多规模的交互式CNN-变压器混合网络,用于乳房超声波图像细分
Ruichao Wu1, Xiangyu Lu1, Zihuan Yao1
1School of Information Science and Engineering, Lanzhou University, Lanzhou, Gansu, China.
Computers in biology and medicine
|May 25, 2024
概括
这项研究介绍了MFMSNet,这是一种新的混合CNN-变压器网络,用于超声波图像中的乳腺瘤细分. MFMSNet有效地利用频域分析来提高细分精度,优于现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在超声波图像中精确的乳腺瘤细分对于乳腺癌的诊断和治疗至关重要.
- 目前的细分方法主要关注空间域,忽视频域分析的潜力.
研究的目的:
- 提出一种新的混合卷积神经网络 (CNN) - 变压器网络,MFMSNet,用于在超声波图像中增强乳腺瘤细分.
- 为了利用空间和频域信息来提高细分性能.
主要方法:
- 开发了一个多频和多规模的交互式CNN-变压器混合网络 (MFMSNet).
- 利用八度卷曲来有效地分离高频和低频组件.
- 集成的多频变压器块 (MF-Trans) 用于频率间信息交互和多尺度交互融合模块 (MSIF) 用于边缘强调.
主要成果:
- 与七种最先进的方法相比,MFMSNet在公共乳腺和甲状腺超声波数据集上表现出卓越的性能.
- 使用五倍交叉验证实现了83.42% (BUSI),90.79% (BUI) 和79.96% (DDTI) 的子系数.
- 该方法有效地捕捉了远程依赖性,并增强了瘤边缘细分.
结论:
- 通过整合多频率和多尺度分析,MFMSNet在乳腺瘤细分精度方面取得了重大进展.
- 拟议的混合网络架构有效地解决了现有的面向空间域的方法的局限性.
- 这些发现表明了改善乳腺癌诊断中的定量分析的有希望的方向.
