基于细分的BI-RADS对乳腺瘤在超声波图像中的整体分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 乳腺癌成像的计算机辅助诊断领域正在迅速发展,许多研究重点关注超声波图像中病变的自动细分.
• 尽管细分方面取得了重大进展,但对复杂乳腺成像报告和数据系统 (BI-RADS) 分类的研究仍然有限.

研究的目的:

• 开发一种自动化系统,使用单个超声波图像将乳腺病变分为良性和恶性类别以及多个BI-RADS类别.
• 为了减少手动操作员评估乳腺损伤分类所固有的主观性.

主要方法:

• 研究了先进的图像细分技术,包括PraNet,CaraNet和FCBFormer,以及U-Net作为基线.
• 开发了一种新的分类方法,通过组合选定的细分方法,将30像素的边缘纳入细分面具以减轻错误.
• 利用公开可用的数据集 (BUS B,OASBUD,BUSI) 和私有数据集进行全面的实验.

主要成果:

• FCBFormer在数据集中表现出优异的细分性能,在联盟 (IoU) 和子分数上取得了高的交叉点.
• 整体分类方法,结合全图像,界限框和掩盖图像分类器,显著优于二进制分类的单个分类器.
• 合奏方法也被证明对多类BI-RADS分类非常有效,达到高精度,F1分数和AUROC值.

结论:

• 提出的乳腺损伤细分和分类的整体方法与二元和多类BI-RADS评估的现有方法相比,实现了更高的准确性.
• 这种由人工智能驱动的系统提供了一个有前途的工具,可以提高超声波图像的乳腺癌诊断的客观性和准确性.