一种基于深度学习的方法,用于在超声波图像中检测和细分乳腺质量
Wanqing Li1, Xianjun Ye2, Xuemin Chen3
1Department of Engineering and Applied Physics, University of Science and Technology of China, Hefei, Anhui 230026, People's Republic of China.
Physics in medicine and biology
|July 10, 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准确检测和细分乳腺质量,实现与放射科医生相比的性能. 这种新的框架显示了乳腺癌诊断中临床使用的巨大潜力.
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:
- 精确的乳腺质量检测和超声波图像中的细分对于乳腺癌诊断至关重要.
- 由于图像质量有限和乳腺组织结构复杂,现有的方法面临挑战.
- 深度学习提供了一种有希望的方法来提高诊断准确性.
研究的目的:
- 开发一种基于深度学习的方法,用于在超声波图像中精确检测和细分乳腺质量.
- 评估与最先进的网络和经验丰富的放射科医生对比拟的方法的性能.
主要方法:
- 开发了一个新的框架,将You Only Look Once (YOLO) v5用于感兴趣地区的检测和全球-本地-连接多级别选择 (GOLO-CMSS) 网络用于细分.
- GOLO-CMSS网络使用多尺度选择 (MSS) 和多输入 (MLI) 模块集成全球图像上下文和本地区域分析.
- 该方法在大型USTC数据集上进行了培训和测试,并在公共UDIAT,BUSI和TUH数据集上进行了验证.
主要成果:
- 对于质量检测,YOLOv5实现了高平均精度 (例如,USTC上99.41%).
- GOLO-CMSS网络表现出优越的细分性能,具有高的子相似系数 (DSC) (例如,USTC上的93.19%),优于其他网络.
- 拟议方法的细分精度明显优于放射科医生之间的协议 (p<0.001).
结论:
- 开发的深度学习方法在超声波图像中准确地检测和分割乳房质量.
- 性能可与经验丰富的放射科医生相美,表明显著的临床潜力.
- 这种方法可以提高乳腺超声波检查癌症诊断的效率和准确性.
