跨注意力自适应特征金字塔网络与不确定性边界建模用于在数字乳腺图莫合成中进行质量检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 计算机辅助检测 (CADe) 对于使用数字乳腺瘤合成 (DBT) 进行早期乳腺癌诊断至关重要.
• 现有的方法在质量变化,密集组织和模糊边界方面扎,导致高假阳性率.
• 特征金字塔网络 (FPN) 往往无法有效地整合多个规模的信息.

研究的目的:

• 开发一个先进的CADe网络,CU-Net,以改进在DBT中检测乳腺质量.
• 为了增强多尺度的特征融合,并准确地模拟模糊的质量界限.
• 减少假阳性,提高乳腺癌查的诊断准确度.

主要方法:

• 提出了CU-Net网络,其中包含一个跨注意力自适应特征金字塔网络 (CA-FPN),以增强多级特征交互.
• 引入了乳腺密度感知模块 (BDPM) 以基于乳腺密度的重量特征,改善了对具有挑战性的区域的关注.
• 实现了不确定性边界建模 (UBM),以精确处理模糊的质量边界.

主要成果:

• CU-Net实现了高灵敏度:在内部DBT数据集上达到89.68%,在BCS-DBT数据集上达到72.73%,每个DBT容量 (FPs/DBT) 有2个虚假阳性.
• 提出的方法显著优于现有的最先进的检测技术.
• 在处理密集的乳腺组织和模糊的质量边界方面表现出卓越的性能.

结论:

• CU-Net提供了一个有效的解决方案,用于在DBT中准确检测乳腺质量.
• 该网络能够融合多尺度特征和模型边界不确定性的能力显示出显著的临床潜力.
• 这种方法为临床医生提供快速,准确和客观的诊断援助,用于乳腺癌查.