CBAM-RIUnet:乳腺瘤细分与增强乳腺超声波和测试时间增长

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:

• 在超声波图像中精确的乳腺瘤细分对于乳腺癌的有效计算机辅助诊断至关重要.
• 现有的细分方法在精度和效率方面面临挑战.

研究的目的:

• 介绍CBAM-RIUnet,这是一个新的深度学习模型,用于在乳腺超声波 (BUS) 图像中实现自动化乳腺瘤细分.
• 评估CBAM-RIUnet的性能与最先进的技术相比.

主要方法:

• CBAM-RIUnet 模型使用了 Unet 架构,其中包含了残余初始深度可分离的卷积.
• 集成了一个卷积块注意模块 (CBAM),以改进特征选择并专注于相关区域.
• 模型的性能在各种场景下使用Dice和IoU得分进行评估,包括增强乳房超声波 (EBUS) 和测试时间增大 (TTA).

主要成果:

• CBAM-RIUnet实现了高绩效指标,Dice和IoU分数分别为89.38%和88.71%.
• 该模型在乳腺瘤细分方面的现有深度学习技术上显示出显著的改进.
• 对不同情景的评估证实了拟议模型的稳定性和有效性.

结论:

• 在BUS成像中,CBAM-RIUnet为乳腺瘤细分提供了一个高效和简化的深度学习解决方案.
• 该模型显示了在乳腺癌诊断中增强CAD系统的巨大潜力.
• 集成CBAM和剩余启动模块有助于优越的细分性能.