多层次感知边界引导网络用于超声波图像中的乳腺病变细分
Xing Yang1, Jian Zhang1, Yingfeng Ou1
1Engineering Research Center of Text Computing & Cognitive Intelligence, Ministry of Education, Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, China.
Medical physics
|January 31, 2025
概括
一个新的深度学习网络,PBNet,在超声波图像中准确地细分乳腺瘤,改善了对非增强性病变的边界检测. 这一进步有助于精确的临床诊断和治疗规划.
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:
- 在超声波图像中精确的乳腺瘤细分对于诊断和治疗至关重要.
- 目前的深度学习方法在与细分类似正常组织的瘤,特别是它们的边界作斗争.
研究的目的:
- 引入多层次感知边界导向网络 (PBNet) 以精确对非增强乳腺瘤进行细分.
- 为了提高超声波图像中瘤边界划分的准确性.
主要方法:
- PBNet集成了一个多层次的全球感知模块 (MGPM) 用于空间依赖模型和一个边界引导模块 (BGM) 用于特征融合.
- 一个多层次的边界增强细分 (BS) 损失被开发来改善边界细分.
- 性能在BUSI和内部数据集上使用Dice分数,Jaccard系数,Hausdorff距离,灵敏度和特异性进行了评估,并进行了统计分析,包括Wilcoxon测试和FDR校正.
主要成果:
- 与非最佳方法相比,PBNet在BUSI数据集上的子和灵敏度显著改善.
- 在内部数据集上,PBNet实现了更高的 Dice, Jaccard 和 Specificity,同时减少了 Hausdorff 距离.
- 统计分析证实了PBNet的优异性能,废弃性研究验证了MGPM,BGM和BS损失的贡献.
结论:
- 拟议的PBNet有效地对非增强乳腺病变进行细分,并提高了超声波图像的边界精度.
- PBNet提供了一种有价值的工具,可以增强后续的临床诊断和治疗应用.
