双分支细分任何模型-变压器融合网络,用于准确的乳房超声波图像细分

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 通过超声波准确诊断乳腺癌对于治疗至关重要.
• 当前的超声波细分方法在捕捉全球上下文和细微的边界细节方面都存在困难.

研究的目的:

• 开发一个双分支网络,将Swin变压器和分段任何模型 (SAM) 结合起来,以改善乳房超声波图像 (BUSI) 分段.
• 为了提高BUSI细分的准确性和可靠性.

主要方法:

• 一个双分支网络,将Swin变压器的全球关注与SAM的边界检测通过多阶段功能融合整合起来.
• 在两个数据集 (BUSI-WHU和公共BUSI) 上使用mIoU,HD95和Dice系数进行评估.
• 统计学意义评估使用双尾独立t测试与霍尔姆-邦费罗尼校正 (α=0.05).

主要成果:

• 拟议的网络在BUSI-WHU数据集上实现了90.82%的mIoU和23.50像素的HD95,显示了显著的改进.
• 在BUSI数据集上,网络实现了82.83%的mIoU和71.13像素的HD95,显示了可比的改进.
• 统计分析证实了与最先进的方法相比的显著改善 (p < 0.05).

结论:

• 双分支网络有效地利用Swin变压器和SAM的互补优势,实现优越的乳房超声波细分.
• 拟议的方法为BUSI细分提供了更高的性能,有助于更精确的癌症诊断.
• 该研究的代码是公开可用的,用于进一步的研究和开发.