乳腺癌诊断方法基于交叉乳腺造影四视交互式学习
Xuesong Wen1, Jianjun Li1, Liyuan Yang1
1School of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China.
Tomography (Ann Arbor, Mich.)
|June 26, 2024
概括
这项研究介绍了FV-Net,这是一种新型的深度学习模型,用于使用四视图乳腺扫描进行乳腺癌分类. 通过分析双边乳房造影,FV-Net提高了早期检测的准确性.
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:
- 计算机辅助诊断 (CADx) 对乳腺癌的检测至关重要.
- 目前的CADx方法通常分析单个乳房,缺少双边信息.
- 双边乳房造影分析提供了改善诊断准确性的潜力.
研究的目的:
- 开发一个新的深度学习网络,FV-Net,用于双边乳房镜分类.
- 为了利用四个视图的乳房扫描数据来提高乳腺癌检测.
- 通过结合乳房间特征分析来改进现有的CADx系统.
主要方法:
- 提出了四视角相关性和对比性联合学习网络 (FV-Net).
- 使用交叉乳腺造影双通道注意模块进行跨视图的特征匹配.
- 实施双边-乳房图对比联合学习以最大限度地提高特征相关性和差异化.
主要成果:
- 在乳腺癌分类方面,FV-Net表现出卓越的表现.
- 该模型有效地捕获了双边乳房影像中的一致性和互补特征.
- 通过先进的注意力机制减少特征不对齐.
结论:
- 在计算机辅助乳腺癌诊断方面,FV-Net提供了显著的进步.
- 分析四视图双边乳房造影可以提高分类准确性.
- 拟议的网络有效地整合了相关性和对比性学习,以实现强大的特征提取.
