通过整合CNN与扩展采样自我注意力和特征相互作用的ABVS乳腺瘤细分变压器
Yiyao Liu1, Jinyao Li2, Yi Yang2
1School of Biomedical Engineering, Health Science Center, Shenzhen University, National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, Shenzhen, 518000, Guangdong, China.
概括
一个新的3D细分网络,DST-C,改善了自动乳腺体体积扫描仪 (ABVS) 图像分析用于乳腺癌查. 这种方法通过结合卷积神经网络和变压器来提高瘤检测的准确性,解决各种瘤大小和有限数据的挑战.
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:
- 乳腺癌发病率正在上升,需要像自动化乳腺体积扫描仪 (ABVS) 这样的高效查工具.
- 分析ABVS图像的瘤是具有挑战性的,因为大小和形状的变化.
- 有限的注释医疗数据阻碍了对ABVS图像分析的深度学习模型的培训.
研究的目的:
- 开发一种新的3D细分网络 (DST-C),以改善ABVS图像中的乳腺瘤检测和细分.
- 通过自主监督学习来应对有限的注释数据的挑战.
- 为了提高准确性和减少ABVS图像分析中的假阳性.
主要方法:
- 一个混合的3D细分网络 (DST-C) 结合一个卷积神经网络 (CNN) 在本地特征和扩展采样自我注意力变压器 (DST) 在全球特征.
- 面具图像建模的双路径自主监督学习方法,以生成强大的图像表示.
- 一种新的后处理技术,可以同时减少假阳性和增加灵敏度.
主要成果:
- DST-C网络在内部数据集上的3D细分和乳腺瘤检测方面表现出有前途的表现.
- 提出的自主监督学习方法有效地产生了有价值的图像表示,尽管数据稀缺.
- 后处理方法成功地提高了灵敏度,同时减少了假阳性.
结论:
- DST-C网络为准确的乳腺瘤细分和检测在ABVS图像中提供了有效的解决方案.
- 自主监督学习是克服医疗图像分析数据限制的可行策略.
- 开发的模型显示了提高乳腺癌查效率和准确性的潜力.
