预细分器为乳房镜质量细分的级联框架
Urvi Oza1, Bakul Gohel1, Pankaj Kumar2
1Computer Science Dhirubhai Ambani Institute of Information and Communication Technology, Gandhinagar, Gujarat, India.
International journal of biomedical imaging
|August 19, 2024
概括
这项研究引入了一种新的级联深度学习框架,用于改善乳腺质量细分在乳房影像中. 这种新方法有效地减少了假阴性,提高了早期癌症检测的准确性.
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:
- 精确的乳房质量细分在乳房影像中对于早期癌症诊断至关重要.
- 现有的深度学习模型与错误的阳性,错误的负面和端到端细分挑战作斗争.
研究的目的:
- 开发一种新的两阶段,端到端级联的深度学习框架,用于增强乳腺质量细分.
- 为了提高细分精度,减少乳房影像分析中的假阴性.
主要方法:
- 一个两阶段的级联框架,使用突出地图来指导细分.
- 整合预细分器注意力 (PSA) 块,以动态关注信息区域.
- 在INbreast,CSAW-S和DMID数据集上使用Attention U-net,DeepLabV3+和Swin变压器U-net进行比较分析.
主要成果:
- 拟议的级联框架显著改善了所有数据集的细分性能.
- 在子分数 (高达6%) 和虚假负数 (高达19%) 的明显改善.
- 通过多个最先进的细分模型验证了有效性.
结论:
- 新的级联框架提高了乳腺质量细分的准确性,并减少了关键的假阴性.
- 这种方法提供了一个强大的解决方案,以改善乳房镜分析和支持早期癌症诊断.
- 该框架的适应性使其成为各种医疗图像细分任务的宝贵工具.


