有效的基于网络的注意力残留U-Net带有导向损失,用于超声波图像中的乳腺瘤细分
Heena Jasrotia1, Chandan Singh1, Sukhjeet Kaur1
1Department of Computer Science, Punjabi University, Patiala, India.
Ultrasound in medicine & biology
|April 22, 2025
概括
一个新的模型,Eff-AResUNet-GL,在超声波图像中增强了乳腺瘤细分. 它为临床应用提供了更高的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 乳腺癌是一个全球性的健康问题,需要准确的诊断工具.
- 超声波图像细分对于早期发现乳腺癌和治疗计划至关重要.
- 传统的深度学习模型在实时临床使用时,在准确性和计算成本方面存在局限性.
研究的目的:
- 开发一种高效准确的深度学习模型,用于超声波图像中的乳腺瘤细分.
- 解决现有方法中图像复杂性和计算需求所带来的挑战.
主要方法:
- 建议使用EfficientNet-B3作为编码器的Eff-AResUNet-GL模型.
- 在跳过连接中内置了注意力门,用于功能聚焦.
- 在解码器中使用剩余块来保存细节并减轻梯度损失.
- 在每个解码器层使用引导损失功能来增强功能生成和细分精度.
主要成果:
- 与BUSIS和数据集B.的最先进模型相比,Eff-AResUNet-GL显示出更高的性能和计算效率.
- 该模型在细分复杂的乳房超声波图像方面表现出强大.
- 实现了更好的细分精度和效率.
结论:
- Eff-AResUNet-GL为乳腺瘤细分提供了一种实用且高性能的解决方案.
- 该模型显示出显著的临床应用潜力,因为其提高了准确性和效率.
