用深度卷积神经网络进行乳房镜分类的细分
Dip Kumar Saha1, Tuhin Hossain2, Mejdl Safran3
1Department of Computer Science and Engineering, Stamford University Bangladesh, Siddeswari, Dhaka, Bangladesh.
BMC medical imaging
|December 19, 2024
概括
一个经过修改的变压器模型在乳房影像中准确区分良性和恶性乳腺组织,达到99.96%的准确性. 这种深度学习方法有助于早期乳腺癌 (BC) 诊断和治疗规划.
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:
- 乳腺扫描对于早期发现乳腺癌 (BC) 是至关重要的,但区分良性和恶性质量可能是具有挑战性的.
- 深度学习 (DL) 计算机辅助诊断 (CAD) 模型越来越多地用于BC分类.
研究的目的:
- 为了评估一个改进的变压器模型,以区分良性和恶性乳腺组织在乳房影像.
- 为了增强兴趣区域 (ROI) 提取,使用细分任何模型 (SAM).
主要方法:
- 利用INbreast数据集,其中包含良性和恶性乳腺组织.
- 修改了用于BC识别的金字塔变压器 (PTr) 架构.
- 员工转移学习 (TL) 和SAM用于优化ROI提取.
主要成果:
- 拟议的PTr模型实现了99.96%的准确性和99.98%的AUC对二进制分类.
- 性能与视觉变压器 (ViT),MobileNetV3和EfficientNetB7.7进行了比较.
结论:
- 一个经过修改的变压器模型与细分有效地分类乳腺组织从乳房图像.
- 准确分类良性和恶性组织,支持放射科医生在治疗决策.
