用UMA-Net进行乳房超声波细分的自适应组合损失和多尺度注意力
Mohsin Furkh Dar1, Avatharam Ganivada2
1Artificial Intelligence Lab, School of Computer and Information Sciences, University of Hyderabad, Hyderabad, 500046, India. 20mcpc02@uohyd.ac.in.
Medical & biological engineering & computing
|January 23, 2025
概括
通过解决频率和尺度变化,UMA-Net改善了乳房超声波 (BUS) 病变细分. 这种增强的深度学习模型在各种BUS数据集上实现了卓越的概括性和准确性.
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:
- 乳房超声波 (BUS) 图像中的精确病变细分对于诊断至关重要.
- 传统的深度学习 (DL) 模型由于BUS图像的频率和尺度变化而面临普遍化的挑战.
- 传统的损失函数往往导致不平衡的优化,损害了细分性能.
研究的目的:
- 开发一个增强的UNet架构,UMA-Net,用于强大的BUS图像分割.
- 引入一个自适应集体损失函数,以平衡跨细分指标的优化.
- 为了提高DL模型的概括性和准确性,用于BUS损伤细分.
主要方法:
- 提出了UMA-Net,这是一个增强的UNet架构,包含剩余连接,注意力机制和状卷曲.
- 开发了一个自适应组合损失函数,以动态平衡训练贡献.
- 在五个不同的BUS数据集上验证了模型:BUET,BUSI,Mendeley,OMI和UDIAT.
主要成果:
- 在所有测试的数据集中,UMA-Net在BUS图像细分方面表现出卓越的性能.
- 该模型有效地捕获了多尺度的上下文信息,同时保持了空间分辨率.
- 适应组合损失函数减轻了常规损失函数中存在的不平衡.
结论:
- UMA-Net为乳房超声波图像细分提供了强大的和可通用的解决方案.
- 解决频率和尺度变化对于改善DL模型在BUS分析中的性能至关重要.
- 拟议的架构和损失函数显著提高了细分的准确性和可靠性.
