DAU-Net:双重注意力辅助U-Net用于乳房超声波图像中的瘤细分
Payel Pramanik1, Ayush Roy2, Erik Cuevas3
1Department of Computer Science and Engineering, Jadavpur University, Kolkata, India.
PloS one
|May 31, 2024
概括
这项研究引入了一种深度学习方法,用于在超声波图像中检测乳腺瘤,实现高精度. 这种新的方法增强了早期癌症诊断,并提高了女性的生存率.
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:
- 乳腺癌需要早期检测,以改善患者的治疗结果.
- 深度学习为先进的计算机辅助检测 (CAD) 系统提供了潜力.
- 在医学图像中精确细分瘤对于诊断至关重要.
研究的目的:
- 开发一种基于深度学习的新细分方法,用于检测乳腺超声波图像中的瘤.
- 通过整合先进的注意力机制来提高瘤检测的准确性.
- 为改善乳腺癌诊断和患者生存率做出贡献.
主要方法:
- 一个剩余的U-Net模型与新的注意力机制集成:定位卷积块注意力模块 (PCBAM) 和转移窗口注意力 (SWA).
- PCBAM将卷积块注意模块 (CBAM) 与位置注意模块 (PAM) 结合起来,以捕捉空间关系.
- 在瓶层中使用SWA来进一步提高模型性能.
主要成果:
- 提出的方法在乳腺瘤细分方面取得了最先进的性能.
- 在BUSI数据集上获得74.23%的子得分,在UDIAT数据集上获得78.58%的子得分.
- 结果表明该模型在超声波图像中精确检测瘤的能力.
结论:
- 开发的深度学习方法显示了准确检测乳腺瘤的巨大潜力.
- 集成PCBAM和SWA有效地提高了细分性能.
- 这项工作推进了计算机辅助检测系统,有助于早期诊断乳腺癌.
