深度学习用于自动检测乳腺癌的深度紫外线光图像与扩散的概率模型

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:

• 医疗图像分析的深度学习模型由于数据有限而面临挑战.
• 扩散概率模型 (DPM) 可以从噪声中生成高质量的合成图像.
• 乳腺癌的手术内边缘评估从准确的图像分析中受益.

研究的目的:

• 调查DPM在增强深紫外光 (DUV) 图像数据集中的有效性.
• 提高乳腺癌分类准确度在手术内边缘评估使用DUV图像.
• 为了比较基于DPM的增强与传统方法,如Affine转换和ProGAN.

主要方法:

• 应用DPM来生成增强的DUV图像数据.
• 使用预先训练的ResNet从图像补丁中进行卷积特征提取.
• 使用XGBoost分类器进行补丁级分类,并使用Grad-CAM++进行区域重要性映射.
• 融合了补丁级别的决策与重要性地图,用于整个表面的预测.

主要成果:

• 用DPM增加DUV数据集显著改善了乳腺癌检测性能.
• 在DPM增强后,分类准确性从93%增加到97%.
• 与Affine转换和ProGAN用于数据增强相比,DPM表现出更高的性能.

结论:

• 基于DPM的数据增强是一种可行的策略,可以提高医学成像中的深度学习性能.
• 这种方法在改善乳腺癌手术中的手术内边缘评估方面显著有前途.
• 将DPM与ResNet和XGBoost集成,为精确的癌症检测提供了一个强大的工具.