轻量级UNet:多模式深度学习与GAN增强成像数据,以有效检测乳腺癌
Hari Mohan Rai1, Joon Yoo1, Saurabh Agarwal2
1School of Computing, Gachon University, Seongnam 13120, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
一个新的LightweightUNet深度学习模型以低计算成本提供了准确的乳腺癌检测. 结合乳房影像和超声波图像,以及GAN生成的数据,显著提高了性能,显示了临床潜力.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球领先的癌症,需要早期,自动化和精确的检测方法.
- 现有的用于乳腺癌检测的AI技术往往涉及高计算成本和复杂性.
研究的目的:
- 引入创新的LightweightUNet混合深度学习 (DL) 分类器,用于准确的乳腺癌分类.
- 开发一种具有低计算成本和适应能力的DL模型,以有效检测乳腺癌.
主要方法:
- 采用多模式方法,使用来自七个不同来源的13,000张来自乳腺造影 (MGI) 和超声波成像 (USI) 的图像.
- 数据预处理包括将大小改为256x256像素,并使用Box-Cox转换进行正常化.
- 生成对抗网络 (GAN) 模型StyleGAN3被用于生成10,000个合成超声波图像,以增强较小的USI数据集. 实验是在使用5倍交叉验证的真实和真实+GAN增强数据集上进行的.
主要成果:
- 轻量级UNet模型在没有增强的真实数据集上实现了86.87%的准确性.
- 在真实+GAN增强数据集上,性能显著提高,达到96.35%的准确性.
- 使用LightweightUNet的多式联络方法显示了显著的性能提升,包括准确度增加了9.48%.
结论:
- 拟议的轻量级UNet模型为乳腺癌分类提供了一个有效的解决方案,减少了计算需求.
- 多模式成像和基于GAN的数据增强的整合大大提高了分类性能.
- 该模型显示了在临床环境中改善乳腺癌诊断的实践应用的巨大潜力.