相关实验视频
Updated: Jun 5, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
368
在超声波成像中基于人工智能的乳腺癌自动细分,基于注意力门式多个RESU-Net
Ting Ding1,2, Kaimai Shi3, Zhaoyan Pan4
1School of Earth Science, East China University of Technology, Nanhang, JiangXi, China.
PeerJ. Computer science
|December 9, 2024
概括
一个新的注意力门式多重ResU-Net模型准确地细分乳腺癌超声波图像. 这种人工智能工具显示了早期检测的高精度,有助于诊断和改善患者的结果.
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:
- 乳腺癌是女性的重大全球健康问题.
- 早期检测和诊断对于有效治疗和改善患者结果至关重要.
- 超声波成像有助于诊断乳腺癌,但由于组织复杂性和图像质量差异,它面临解释挑战.
研究的目的:
- 开发和评估人工智能模型,用于对乳腺癌超声波图像进行细分.
- 提高乳房超声波扫描中识别异常的准确性和可靠性.
主要方法:
- 提出了用于医疗图像细分的关注门式多个资源网模型.
- 利用多尺度的特征提取和一个引起注意的机制.
- 对专家手册注释进行了定量测试.
主要成果:
- 实现了0.93的子系数,表明与专家细分的重叠很大.
- 在识别异常方面表现出高灵敏度 (93%) 和特异性 (99%).
- 该模型在乳房超声波图像中准确地细分了质量,囊和化.
结论:
- 注意门式多个RESU-Net模型显示了提高早期乳腺癌检测和诊断的巨大潜力.
- 该模型在医学图像分析中的高精度和可靠性可以帮助临床医生.
- 这种人工智能驱动的方法为改善患者乳腺癌护理结果提供了一个有希望的工具.
