使用模糊值和深度学习对乳腺病变进行细分.
C Sahaya Pushpa Sarmila Star1, T M Inbamalar2, A Milton1
1Dept. of Electronics and Communication Engineering, St. Xavier's Catholic College of Engineering, Chunkankadai, Tamil Nadu, India.
Computers in biology and medicine
|November 12, 2024
概括
这项研究提高了使用动态对比增强磁共振成像 (DCE-MRI) 的乳腺癌病变检测. 将模糊C-平均值值 (FCMTH) 与深度学习相结合,可显著提高细分精度,以获得更好的选结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 乳腺癌仍然是女性发病和死亡的主要原因.
- 动态对比增强磁共振成像 (DCE-MRI) 通过分析组织增强模式,显示了乳腺癌查的潜力.
- 乳腺病变的准确细分对于有效的查和诊断至关重要.
研究的目的:
- 提议和评估DCE-MRI图像中乳腺病变的增强细分方法.
- 为了比较不同细分技术的性能,包括模糊C平均值值 (FCMTH) 和深度学习模型.
- 确定预处理和细分的最佳组合,以改善病变检测.
主要方法:
- 实验对来自癌症图像档案的7名患者的123个乳腺DCE-MRI片进行了实验.
- 测试了三种细分方法:使用形态操作的FCMTH,对原始图像进行深度学习,以及对预处理图像进行深度学习.
- 深度学习网络使用使用FCMTH技术预处理的图像进行训练.
主要成果:
- FCMTH实现了分别为0.8458和0.7471的戴斯和贾卡德系数.
- DeepLabv3+与MobileNetv2一起,在FCMTH预处理图像上进行训练,实现了0.9468和0.8990.0的卓越的Dice和Jaccard系数.
- 使用FCMTH进行预处理显著提高了基于深度学习的细分的准确性.
结论:
- 深度学习和FCMTH技术的结合为DCE-MRI中乳腺病变细分提供了最佳的性能.
- 这种增强的方法有望提高乳腺癌查的准确性和可靠性.
- 进一步的研究可以探索这种混合方法在乳腺癌诊断中临床应用.
