基于混合变压器的模型,通过整合先前和当前图像来进行乳房影像分类
Afsana Ahsan Jeny1, Sahand Hamzehei1, Annie Jin2
1School of Computing, University of Connecticut, Storrs, Connecticut, USA.
Medical physics
|January 31, 2025
概括
一个新的CNN-Transformer模型通过分析随时间推移的乳房影像来增强乳腺癌检测. 这种人工智能方法提高了准确性,减少了错误,帮助放射科医生进行早期诊断.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断系统
- 瘤学和放射学研究研究
背景情况:
- 乳腺扫描对于早期发现乳腺癌至关重要,但手动图像分析具有挑战性.
- 目前的方法在计算机辅助诊断的效率和准确性方面存在局限性.
- 放射科医生的详细检查过程需要大量的时间和专业知识.
研究的目的:
- 引入CNN-变压器模型,使用乳房图分析对乳腺癌进行分类.
- 通过分析前期和当前的乳房造影来利用时间变化.
- 提高计算机辅助诊断系统的效率和准确性.
主要方法:
- 开发了一个CNN-Transformer模型,集成了位置智能的前网络和多头自我注意力.
- 采用位置编码和引导注意力来突出组织差异化关键的空间特征.
- 利用焦点损失 (FL) 来解决困难的分类,减少假负和假阳性.
主要成果:
- 拟议的模型在精度 (ACC),灵敏度 (SEN),精度 (PRE),特异性 (SPE),F1得分和AUC方面表现优于八个基线模型.
- 实现了高绩效指标:ACC 90.80%,SEN 90.80%,PRE 90.80%,SPE 90.88%,F1 90.95%,AUC 92.58%. 在这些指标中,
- 模型代码和信息是公开的.
结论:
- CNN-Transformer模型有效地整合了先前和当前的图像,减少了对细微分类的远程依赖.
- 焦损应用通过减少虚假阳性和负率显著提高了灵敏度和特异性.
- 该模型显示了各种异常的低误差率,显示了可靠早期乳腺癌检测的潜力.
