对乳房区域细分的深度学习架构的比较分析与新的乳房边界提案
Sam Narimani1,2,3, Solveig Roth Hoff4,5, Kathinka Dæhli Kurz6,7
1Department of Physics, Norwegian University of Science and Technology, Trondheim, Norway. sam.narimania@gmail.com.
Scientific reports
|March 15, 2025
概括
这项研究比较了乳腺MRI细分的深度学习模型,发现UNet++和UNet非常有效. FCNResNet50为整个乳腺细分提供了性能和效率的平衡.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在动态对比增强磁共振成像 (DCE-MRI) 中精确的乳房细分对于定量分析至关重要.
- 目前的方法需要提高效率并减少对环境的影响.
研究的目的:
- 为了在DCE-MRI中对整个乳房细分进行深度学习模型的比较.
- 确定提高准确性的方法,同时最大限度地降低计算成本和环境影响.
主要方法:
- 在58次DCE-MRI扫描中对7个深度学习模型 (UNet,UNet++,DenseNet,FCNResNet50,FCNResNet101,DeepLabv3ResNet50,DeepLabv3ResNet101) 进行了评估.
- 使用十倍交叉验证来进行可靠的模型评估.
- 开发了一种用于定义乳腺边界和生成细分面具的新方法.
主要成果:
- UNet++获得了对细分的最高分数.
- 联网展示了出色的验证和通用性.
- FCNResNet50以较低的碳足迹和合理的推断时间表现出强的表现.
- UNet和UNet++在边界检测方面表现出色,DeepLabv3ResNet.net的结果具有竞争力.
结论:
- 深度学习模型显示了改善DCE-MRI乳腺细分的巨大潜力.
- UNet++和UNet是表现最好的,而FCNResNet50提供了一个可行的,高效的替代方案.
- 进一步的研究可以利用这些发现来降低医学成像分析中的计算成本和环境影响.
