Syn-Net:用于超声图像中的乳腺瘤细分的同步频率感知融合网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

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计划至关重要.
• 超声波图像提出了诸如斑点噪声,可变瘤形态和类似的强度分布等挑战,阻碍了精确的细分.
• 现有的深度学习方法与超声波乳腺瘤成像固有的复杂性作斗争.

研究的目的:

• 提出一种新的深度学习网络,即同步频率感知融合网络 (Syn-Net),用于超声波图像中的精确乳腺瘤细分.
• 解决复杂的超声波图像特征带来的挑战,包括噪声和强度变化.
• 为了提高自动化乳腺瘤细分的准确性和可靠性.

主要方法:

• 设计了一种同步双分支编码器,用于同时提取本地和全球图像特征.
• 引入了一种频率感知交叉特征融合 (FrCFusion) 块,利用离散等边变换 (DCT) 来融合多频特征并减轻强度相似性.
• 开发了一种全尺度深度监控方法,以纠正斑点噪声的影响,并指导特征学习.

主要成果:

• 在三个公共超声波乳腺瘤数据集上进行了广泛的实验,证明了Syn-Net的卓越性能.
• 与14种最先进的方法相比,Syn-Net对图像变化,瘤特征和噪音的敏感度提高.
• 在BUSI和数据集B数据集上获得了优异的Dice分数,超过了现有的方法.

结论:

• Syn-Net有效地解决了超声波乳腺瘤细分方面的挑战.
• 拟议的网络在各种超声波图像和瘤类型中表现出强大的性能.
• 在临床实践中,Syn-Net为准确可靠的自动化乳腺瘤细分提供了一个有前途的进步.