一个双阶段的轻量级深度学习框架,用于使用YOLOv5和深度SegNet进行乳房扫描中的大规模检测和细分
Dimitris Manolakis1, Paschalis Bizopoulos2, Antonios Lalas2
1Information Technologies Institute, Centre for Research & Technology- Hellas, 6th km Harilaou - Thermis, Thermi, 57001, Greece. manolakisd@iti.gr.
Journal of imaging informatics in medicine
|March 15, 2025
概括
这项研究介绍了一种新的,轻量级的AI模型用于乳腺癌细分,该模型在Web浏览器中运行,保护患者的隐私. 高效的两阶段模型实现了高精度的质量检测和细分,而不会让数据离开用户的设备.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 医疗数据的隐私在诊断成像中至关重要.
- 准确高效的乳腺癌细分对于诊断和治疗规划至关重要.
- 现有的解决方案往往需要数据传输,造成隐私风险.
研究的目的:
- 开发一个保护隐私的,轻量级的AI解决方案,用于乳腺癌细分.
- 为了使准确的医疗图像分析直接在用户的浏览器内.
- 为了应对平衡计算效率与诊断性能的挑战.
主要方法:
- 一个两阶段的人工智能模型被开发出来,它结合了纳米YoloV5用于大规模检测和轻量级的神经网络用于细分.
- 细分模型利用SegNet架构和深度可分离卷积来提高效率.
- 该解决方案旨在完全在用户的Web浏览器中运行,确保数据隐私.
主要成果:
- 该检测模型在CBIS-DDSM上达到50.3%的mAP@50得分,在INbreast数据集上达到68.2%.
- 该细分模型表现出高性能,IOU得分为81.0% (CBIS-DDSM) 和77.3% (INbreast).
- 细分模型实现了89.4% (CBIS-DDSM) 和87.0% (INbreast) 的Dice得分,每个图像的推断时间为21毫秒.
结论:
- 拟议的轻量级,基于浏览器的AI模型有效地执行乳腺癌细分,同时确保严格的医疗数据隐私.
- 该解决方案在高效和安全的医疗图像分析方面取得了重大进展.
- 这种方法有助于精确的乳腺癌检测和细分,而不会损害患者的机密性.
