相关实验视频
Updated: Jun 3, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
可解释的基于注意力的乳腺瘤细分使用了UNet,ResNet,DenseNet和EfficientNet模型的组合
Shokofeh Anari1, Soroush Sadeghi2, Ghazaal Sheikhi3
1Department of Accounting, Economic and Financial Sciences, Islamic Azad University, South Tehran Branch, Tehran, Iran. shokofehanarii@gmail.com.
Scientific reports
|January 6, 2025
概括
这项研究引入了一种改进的深度学习模型,用于使用注意力机制和先进编码器准确对乳腺瘤进行细分. 改进后的模型为临床应用提供了更好的解释性和性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的乳腺瘤细分对于诊断和治疗计划至关重要.
- 深度学习模型,特别是UNet架构,显示出希望,但需要改进以提高准确性.
研究的目的:
- 开发和评估用于增强乳腺瘤细分的深度学习模型.
- 研究注意力机制和先进编码器对细分性能的影响.
- 分析不同损失函数 (子损失,ECB损失) 对细分结果的影响.
主要方法:
- 使用了乳房超声波图像 (BUSI) 数据集.
- 开发了一个修改后的UNet架构,将注意力模块 (CBAM,非本地注意力) 与高级编码器 (ResNet,DenseNet,EfficientNet) 集成在一起.
- 通过评估指标和Grad-CAM可视化分析了性能,比较了带有和没有注意力机制的模型,并评估了Dice Loss和BCE Loss.
主要成果:
- 与基线模型相比,结合注意力机制的模型显示出更高的细分精度和性能.
- 子损失改善了边界划分,而BCE损失提高了瘤区域检测 (召回).
- Grad-CAM可视化证实,基于注意力的模型通过准确突出瘤区域提供了更好的解释性.
结论:
- 结合先进的编码器,注意力机制和UNet框架,显著提高了乳腺瘤细分的可靠性和准确性.
- 注意力机制增强了模型对相关瘤区域的关注,从而提高了性能和可解释性.
- 对于多模式成像和实时临床部署,需要进一步的研究.
