ACL-DUNET:一种基于多重注意力和密集连接的乳房超声图像的瘤细分方法
Hao Zhang1, He Liang2, Guo Wenjia3
1School of Computer Science and Technology, Xinjiang University, Urumqi, Xinjiang, China.
PloS one
|November 1, 2024
概括
这项研究引入了一个深度学习模型,用于超声波图像中精确的乳腺癌质量细分. 该方法显著提高了识别瘤特征的准确性,有助于临床决策.
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:
- 乳腺癌是女性的主要癌症,乳腺质量是关键的诊断标志.
- 超声波是乳腺癌查和检查的重要非侵入性工具.
- 精确的乳腺瘤细分对于有效的临床决策至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于在超声波图像中准确细分乳腺质量.
- 通过精确测量其面积和形状来增强乳腺瘤的特征.
- 通过先进的图像分析,提高乳腺癌检测的诊断准确性.
主要方法:
- 使用密集连接的U-net架构,具有注意门 (AG),通道注意力和规模注意力模块.
- 在编码阶段使用密集连接的网络,以提取高级特征.
- 在解码阶段集成了三个注意力模块,以专注于相关的图像特征.
- 在Mendeley和BUSI数据集上训练并验证了模型.
主要成果:
- 在门德利数据集上获得0.8764的子相似系数 (DSC).
- 在BUSI数据集上获得0.8313的DSC.
- 与现有的乳腺质量细分深度学习方法相比,表现出优异的性能.
结论:
- 拟议的深度学习方法在超声波图像中为乳腺质量细分提供了高准确度.
- 该模型精确细分瘤的能力有助于更好的表征和临床决策支持.
- 这种方法代表了自动化乳腺癌诊断使用医学成像技术的重大进步.
