DMAeEDNet:基于超声波的自动化乳腺损伤细分的密集倍增注意力增强编码解码器网络

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 生物医学工程 生物医学工程

背景情况:

• 在超声波图像中精确的乳腺病变细分对于早期乳腺癌诊断至关重要.
• 深度学习模型,特别是U-Net,广泛使用,但通常会增加计算时间.
• 需要高精度的高效细分网络.

研究的目的:

• 开发一个低复杂度的深度学习网络,以便在超声波图像中有效地对乳腺病变进行细分.
• 在编码器-解码器架构中使用注意力机制来增强特征选择性.
• 为了实现实时细分性能而不会损害准确性.

主要方法:

• 提出了一种密集的重复性注意力增强的编码器-解码器网络.
• 在编码和输出层中集成了两个密集的乘法注意力组件.
• 使用深度可分离的卷积来增强功能.
• 在两个公共数据集和一个临床数据集上评估了绩效.

主要成果:

• 在公开数据集上实现了0.83和0.86的子系数.
• 证明了平均分段延迟时间为19ms.
• 在对抗噪音的临床数据集上获得了0.72的Dice系数.
• 与通常使用的网络相比,在速度和复杂性方面展示了卓越的性能.

结论:

• 拟议的网络在超声波图像中提供有效和高效的乳腺病变细分.
• 注意力机制增强了相关特征,从而提高了细分精度.
• 低计算复杂度和高速度使得该网络适合实时临床应用.
• 这种方法为通过自动化图像分析改善早期乳腺癌诊断提供了可行的解决方案.