TMAN:一个三重形态特征注意力网络,用于细粒度分类乳房超声图像

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在诊断中的应用
• 乳腺癌研究研究 乳腺癌研究

背景情况:

• 准确的乳腺病变分类对于癌症风险评估和患者的治疗结果至关重要.
• 卷积神经网络 (CNN) 在捕获复杂的本地和全球特征以进行细粒度分类方面面临挑战.
• 彩色多普勒流成像 (CDFI) 和应变弹性学 (SE) 对细粒度分类的具体贡献仍未得到充分探索.

研究的目的:

• 引入一种新的三重形态特征注意网络 (TMAN),以提高乳房超声图像的细粒度分类.
• 研究CDFI和SE对乳腺病变分类的影响.
• 为了提高乳房超声波诊断的准确性和精度.

主要方法:

• 开发了三个模块的TMAN架构:局部边缘注意 (LMA),结构纹理注意 (STA) 和融合注意 (FA).
• 使用TMAN模块提取不同的形态特征.
• 与最先进的方法相比,对TMAN绩效的评估,包括对CDFI和SE贡献的分析.

主要成果:

• TMAN的平均准确率为74.40%,精度为73.18%,特异性为96.02%,超过了现有方法.
• 纳入CDFI导致恶性亚型的准确性显著增加了10%.
• SE对分类准确性的影响是微不足道的.

结论:

• TMAN有效地提取细微的形态特征,增强乳房超声波图像的细粒度分类.
• CDFI在改善恶性乳腺病变的诊断方面发挥着至关重要的作用.
• 这项研究强调了TMAN在乳房超声波诊断中提高精度的潜力.