EMGANet:对乳腺癌的边缘意识的多规模组合注意力网络 超声波图像细分

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.
• 精确的超声波图像细分对于早期检测和降低死亡率至关重要.
• 深度学习模型在超声波成像中面临挑战,原因是噪音和不清楚的边界.

研究的目的:

• 开发一种先进的深度学习模型,用于精确的乳腺癌超声波图像细分.
• 解决现有方法在处理图像噪声和模糊边界方面的局限性.
• 提高自动乳腺癌检测的准确性和可靠性.

主要方法:

• 提出了边缘意识的多规模组合注意力网络 (EMGANet).
• 集成的深度和边缘功能使用多尺度组混合注意力和边缘功能增强块.
• 在公共 (数据集-B,BUSI) 和私人 (BUSIWHU) 数据集上验证了EMGANet.

主要成果:

• 在所有数据集中,EMGANet实现了卓越的细分性能.
• 在BUSIWHU数据集上,实现了98.56%的整体准确率,90.32%的mIoU和6.1像素的ASSD.
• 证明了最先进的性能,与现有方法相比,mIoU的改进约为2%.

结论:

• 在乳腺癌超声波图像中,EMGANet有效地克服了噪音和模糊边界的挑战.
• 拟议的网络显著提高了细分精度,显示了临床应用的潜力.
• 边缘意识和组混合注意力机制是EMGANet性能改善的关键.