乳腺损伤检测超声波图像使用MaskFormer
Aashna Anand1, Seungho Jung2, Sukhan Lee3
1High School, Korea International School, Seongnam 13543, Republic of Korea.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
MaskFormer显著改善了超声波图像上的乳腺病变细分,优于其他模型. 这种人工智能方法提高了检测准确度,减少了错误,并帮助临床医生识别微妙的病变.
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:
- 通过超声波检测乳腺癌面临诸多挑战,包括低对比度和操作员可变性.
- 像U-Net这样的常规卷积神经网络 (CNN) 模型显示性能限制,例如早期模型损失停滞.
研究的目的:
- 评估MaskFormer模型在使用超声波对乳腺病变进行细分和分类方面的有效性.
- 将MaskFormer的性能与现有的乳腺病变检测模型进行比较.
主要方法:
- 该研究使用MaskFormer深度学习模型进行图像细分和分类任务.
- 对U-Net和其他基于CNN的模型进行了比较分析,使用乳腺病变的超声波图像.
主要成果:
- 与其他模型相比,MaskFormer表现出持续改进和卓越的性能.
- 该模型实现了恶性病变的高精度和回忆率,平均平均精度 (mAP) 为0.943.
- 在乳腺病变检测中,MaskFormer显著减少了虚假阳性和虚假阴性.
结论:
- MaskFormer为乳腺病变细分和超声波图像中的分类提供了更高的精度和回忆.
- 人工智能模型显示了检测人类从业者错过的微妙病变的潜力,提高了诊断可靠性.
- 整合MaskFormer可以推进基于超声波的乳腺癌检测,提供经营者独立的分析,并可能改善患者的治疗结果.
