基于增强的视网膜网络与INbreast数据集的乳房图像中的质量检测
Mingzhao Wang1, Ran Liu1, Joseph Luttrell Iv2
1School of Computer Science, Shaanxi Normal University, Xian, People's Republic of China.
Journal of multidisciplinary healthcare
|February 12, 2025
概括
这项研究引入了一种增强的RetinaNet模型,用于改善乳腺癌在乳房影像中的检测. 深度学习方法显著提高了诊断的准确性,帮助放射科医生在早期癌症识别.
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:
- 乳腺癌是全球女性的主要健康问题.
- 乳房镜分析对于诊断至关重要,但耗时且依赖于经验.
- 目前的方法在检测小质量和减少诊断错误方面面临挑战.
研究的目的:
- 通过深度学习增强计算机辅助诊断 (CAD) 进行乳房造影.
- 解决阶级不平衡,改善小群体和多个目标的检测.
- 为了减少乳腺癌检测中的假阳性和假阴性.
主要方法:
- 开发了一种增强的RetinaNet模型,用于在乳房影像中进行大规模检测.
- 为了保留小质量特征,引入了M5特征图的 ReLU 函数处理的新修改.
- 使用了INbreast数据集上的转移学习和微调.
主要成果:
- 增强的RetinaNet模型实现了1.0000.00的平均平均精度 (mAP).
- 在INbreast数据集中记录了1.00的真正阳性率 (TPR) 和0.00的每图像虚假阳性率 (FPPI).
- 与现有模型相比,表现出优越的性能和通用化能力.
结论:
- 增强的RetinaNet模型显著优于目前用于乳房图分析的方法.
- 该模型显示强烈的概括性,适用于各种患者病例.
- 这种人工智能驱动的方法可以有效地帮助放射科医生准确诊断乳腺癌.
