基于注意力的UNet模型用于乳腺癌细分,使用BUSI数据集
Adel Sulaiman1,2, Vatsala Anand3, Sheifali Gupta3
1Department of Computer Science, College of Computer Science and Information Systems, Najran University, Najran, 61441, Saudi Arabia.
Scientific reports
|September 28, 2024
概括
这项研究引入了注意力U-Net模型,用于在超声波图像中准确检测乳腺癌. 该模型实现了高精度,有助于早期诊断和改善患者的治疗结果.
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:
- 乳腺癌是导致死亡的主要原因,因此早期检测对于有效治疗至关重要.
- 在超声波图像中精确细分乳腺瘤对于诊断至关重要.
研究的目的:
- 开发和评估一个注意力U-Net模型,用于自动化乳腺癌细分.
- 通过医学成像来提高乳腺癌识别的准确性和效率.
主要方法:
- 使用了乳房超声波图像数据集 (BUSI) 包含780张图像 (良性,恶性,正常).
- 采用了Attention U-Net架构,配有编码器和解码器块以及注意力门用于功能本地化.
- 专注于精确的细分和瘤边界的划分.
主要成果:
- 取得了0.98.9的整体准确性.
- 证明了高精度 (0.97),回忆 (0.90) 和 0.92.9 的子得分.
- 该模型在超声波图像中有效地划出了瘤边界.
结论:
- 关注U-Net模型显示了自动化乳腺癌细分的巨大潜力.
- 这种方法可以提高诊断能力,使迅速和有针对性的医疗干预成为可能.
- 通过先进的人工智能模型的早期检测可以改善患者的健康结果.
