在超声波中进行乳腺瘤细分,使用适应距离的模糊连接,卷积神经网络和活跃的轮
Marta Biesok1, Jan Juszczyk2, Pawel Badura2
1Faculty of Biomedical Engineering, Silesian University of Technology, Roosevelta 40, 41-800, Zabrze, Poland. marta.biesok@polsl.pl.
Scientific reports
|October 29, 2024
概括
这项研究引入了一种新的混合框架,用于在超声图像中对乳腺瘤进行细分,使用深度学习方法. 该方法达到高精度,与最近的最先进技术相提并论,有助于计算机辅助乳腺癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 在超声波图像中精确的乳腺瘤细分对于计算机辅助乳腺癌诊断至关重要.
- 现有的深度学习方法通常需要大量的数据预处理或缺乏稳定性.
研究的目的:
- 在超声波图像中开发和评估用于增强乳腺瘤细分的混合框架.
- 通过先进的图像细分来提高计算机辅助乳腺癌诊断的准确性和可靠性.
主要方法:
- 一种采用自编码器卷积神经网络的三阶段方法.
- 整合模糊连接分析用于输入数据准备,创建混合伪色图像.
- 使用Chan-Vese主动轮模型的后处理细分结果.
主要成果:
- 在993张乳房超声波图像的综合数据集中,瘤细分的Dice指数中位数为0.86 (平均值为0.79).
- 从2022-2023年开始,证明了与最先进的方法可比的细分性能.
- 验证了将模糊连接纳入深度学习图像分析中的有效性.
结论:
- 拟议的混合框架为超声波成像中的乳腺瘤细分提供了强大而准确的解决方案.
- 这种方法有助于推进乳腺癌的计算机辅助诊断系统.
- 模糊连接与深度学习的新整合显示了医学图像分析的重大前景.
