以注意力为基础的融合网络用于乳腺癌细分和分类,使用多模式超声波图像
Yoonjae Cho1, Sampa Misra1, Ravi Managuli2
1Department of Electrical Engineering, Convergence IT Engineering, Mechanical Engineering, Medical Device Innovation Center, and Graduate School of Artificial Intelligence, and Medical Device Innovation Center, Pohang University of Science and Technology, Pohang, Republic of Korea.
Ultrasound in medicine & biology
|December 18, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用超声波图像检测乳腺癌. 该模型准确地细分和分类病变,改善早期诊断和患者的治疗结果.
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:
- 乳腺癌是女性癌症的主要原因,因此早期检测对于改善患者的治疗结果至关重要.
- 超声波 (美国) 影像是乳腺癌查的重要,可访问的工具.
- 深度学习 (DL) 的进步正在加强对医疗图像的自动化分析,用于计算机辅助诊断 (CAD).
研究的目的:
- 开发和评估一种基于深度学习的新型模型,用于使用B和SE模式超声波图像对乳腺病变进行细分和分类.
- 通过先进的图像分析来提高自动乳腺癌检测的准确性和可靠性.
主要方法:
- 通过整合B和SE模式超声数据,开发了一种多模组合U-Net (MMF-U-Net) 用于病变细分.
- 用一个细分面具来切割病变区域以后进行分类.
- 用MMF-U-Net模型的编码器将细分病变分类为良性或恶性.
主要成果:
- 货币货币基金-U-Net实现了强的细分表现,子得分为78.23%,交叉对联盟 (IoU) 为68.60%.
- 区分良性病变和恶性病变的分类准确率达到了98.46%.
- 该模型在临床数据的细分任务中表现出高精度 (82.21%) 和回忆 (80.58%).
结论:
- 拟议的深度学习模型有效地从超声波图像中对乳腺病变进行细分.
- 该方法可靠地将病变分类为良性或恶性,支持临床决策.
- 这种方法显示了通过自动化美国图像分析来提高早期乳腺癌诊断的巨大潜力.
