用VSI超声波协议评估乳腺瘤细分的深度学习架构之间的比较

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的乳腺瘤细分对于乳腺癌诊断工具至关重要.
• 现有的深度学习模型往往没有针对像VSI-B.这样的异步超声采集协议进行优化.

研究的目的:

• 为了比较各种卷积神经网络的性能,用于自动乳腺超声波瘤细分.
• 使用VSI-B数据识别最有效的深度学习模型进行细分.

主要方法:

• 使用了通过乳房超声波 (VSI-B) 的体积扫描成像协议获得的数据集.
• 进行了数据清理,预处理和对U-NET,注意力U-NET,残余U-NET和多输入注意力U-NET的比较分析.
• 在53名患者中使用了leave-one-out交叉验证.

主要成果:

• 多输入注意力U-NET模型实现了最高的性能.
• 在表现最好的模型中,得到了72.45%的子系数.
• 该研究确定了适合异步超声采集的特定语义细分方法.

结论:

• 深度学习,特别是多输入注意力U-NET,在VSI-B异步超声数据中显示出自动乳腺瘤细分的巨大潜力.
• 这些发现可以促进人工智能驱动的乳腺癌诊断工具的开发.