BCT-Net:在公共汽车上进行语义引导的乳腺癌细分
Junchang Xin1, Yaqi Yu1, Qi Shen2
1School of Computer Science and Engineering, Northeastern University, Shenyang, 110169, China.
Medical & biological engineering & computing
|January 30, 2025
概括
一个新的AI网络,BCT-Net,在超声波图像中准确地细分乳腺瘤. 该方法改进了现有技术,为癌症诊断和治疗规划提供了更高的精度.
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:
- 准确的乳腺瘤细分对于癌症诊断和治疗至关重要.
- 超声波成像被广泛使用,但会带来细分挑战,例如低对比度和模糊边界.
- 现有的细分方法难以应对乳房超声波图像的复杂性.
研究的目的:
- 开发一个先进的深度学习网络,以在超声波图像中准确地对乳腺瘤进行细分.
- 通过整合卷积神经网络 (CNN) 和变压器架构来提高细分性能.
- 为了增强语义信息和特征捕获,以便更精确地划分瘤.
主要方法:
- 提出BCT-Net,一种混合CNN-变压器网络,具有双层注意力机制.
- 重新定义跳过连接模块,以更好地整合跨网络层面的功能.
- 使用分类任务作为辅助任务与监督对比学习.
- 采用混合客观损失函数,结合交叉和对比学习损失.
主要成果:
- 通过Pre (86.12%) 和DSC (88.70%) 指数,BCT-Net实现了高细分精度.
- 该网络在乳房超声波图像的BUSI数据集上表现出高准确度.
- 提出的方法有效地解决了诸如低对比度和模糊边界等挑战.
结论:
- 在超声波成像中,BCT-Net为乳腺瘤细分提供了强大而准确的解决方案.
- 整合CNN,变压器和注意力机制显著提高了细分性能.
- 这种方法有望改善乳腺癌的临床诊断和治疗计划.


