一个高效的深度学习策略,用于在超声波图像数据集中准确和自动检测乳腺瘤

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:

• 乳腺癌是全球女性死亡的主要原因之一.
• 超声波对于中国的乳腺癌查和诊断至关重要.
• 目前的超声波方法耗时,需要自动化解决方案.

研究的目的:

• 为乳腺瘤开发一个智能辅助诊断模型.
• 为了提高乳房超声波图像分析的准确性和效率.

主要方法:

• 开发了一种结合U2NET-Lite和DeepCardinal-50模型的新型深度学习方法.
• 该模型被优化为乳房超声波图像的精确细分和分类.
• 性能与ResNet和Alex.Net等传统模型进行了比较.

主要成果:

• 该U2NET-Lite模型实现了0.9702准确度的细分.
• 与ResNet-50相比,DeepCardinal-50显示出更高的分类准确度和AUC值,而ResNet-50则显示出更高的分类准确度和AUC值.
• 综合模型在乳腺瘤识别和分类方面表现出高能力.

结论:

• 深度学习可以快速准确地识别乳腺瘤类型.
• 早期发现良性和恶性乳腺瘤对于及时治疗至关重要.
• 这种自动化方法支持乳腺癌的早期诊断和管理.