UCapsNet:使用U-Net和囊网络进行乳腺癌细分和分类在超声波成像中的两阶段深度学习模型
Golla Madhu1, Avinash Meher Bonasi1, Sandeep Kautish2
1Department of Information Technology, Vallurupalli Nageswara Rao Vignana Jyothi Institute of Engineering and Technology, Hyderabad 500090, India.
Cancers
|November 27, 2024
概括
一个新的UCapsNet模型通过将U-Net细分与囊网络分类相结合来增强乳腺癌检测. 这种方法显著提高了诊断准确度,可以在超声波图像中早期和可靠地识别瘤.
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:
- 乳腺癌是全球女性的主要健康问题.
- 超声波成像有助于瘤检测,但往往缺乏准确诊断的细节.
- 传统的U-Net模型在图像质量方面扎,影响了早期检测率.
研究的目的:
- 开发一种先进的模型,以超声波图像改进乳腺癌检测.
- 克服传统U-Net模型在识别微妙瘤特征方面的局限性.
- 为了提高细分和分类的准确性,以便更可靠的诊断.
主要方法:
- 提出了一个与囊网络 (UCapsNet) 集成的增强U-Net模型.
- 该模型利用更高的过器数和跳过连接来改善细分.
- 一个两阶段的过程涉及U-Net细分,其次是囊网络分类.
主要成果:
- 在乳房超声波图像 (BUSI) 数据集上,UCapsNet实现了高性能指标.
- 精度,回忆和准确率分别为98.12%,99.52%和99.22%.
- 该模型的性能优于VGG-19,DenseNet和ResNet-50等已建立的预训练模型.
结论:
- UCapsNet有效地结合了细分和分类,以提高诊断精度.
- 该模型解决了现有的乳腺癌检测方法的关键缺陷.
- 这些发现支持UCapsNet在早期瘤检测中的实际临床应用中的可靠性.
