基于CNN的跨模式融合,用于使用乳房影像和超声波进行增强的乳腺癌检测

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:

• 乳腺癌仍然是一个重大的全球健康问题,需要改进早期检测方法.
• 当前的非侵入性成像技术,如乳房影像和超声波,在独立使用时,诊断准确性的局限性.
• 结合成像模式,有可能克服个人的局限性.

研究的目的:

• 通过整合乳房扫描和超声波成像数据来提高乳腺癌检测的准确性.
• 开发和评估用于跨模式图像融合的先进卷积神经网络 (CNN) 架构.
• 为了比较基于CNN的不同乳腺癌分类模型的性能.

主要方法:

• 利用公开的乳腺成像数据集 (RSNA,PAS,Kaggle) 进行培训和验证.
• 采用数据增强来解决超声数据中的阶级不平衡.
• 开发并比较了三种基于CNN的方法:使用ML分类器预训练CNN,转移学习CNN和自定义的17层CNN.

主要成果:

• 定制的17层CNN实现了最高的性能,精度为0.964和卡帕得分为0.927.
• 转移学习CNN的结果中等 (准确率为0.846,卡帕为0.694).
• 跨模式融合有效地利用了来自乳房影像和超声波的互补信息.

结论:

• 定制的CNN架构与交叉模式成像相结合,显著提高了乳腺癌检测可靠性.
• 定制设计的CNN模型为早期乳腺癌诊断提供了一个实用的解决方案.
• 这种方法有可能减少诊断错误并改善患者的治疗结果.