自动全乳房超声波瘤诊断使用注意力开始网络

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:

• 自动全乳房超声波 (ABUS) 为癌症诊断提供了全面的3D乳房成像.
• 计算机辅助诊断 (CADx) 系统通过减少误诊风险来提高放射科医生的准确性.
• 深度学习,特别是卷积神经网络 (CNN),通过自动特征提取在医学图像分析方面表现出色.

研究的目的:

• 提出和评估一个CADx系统,利用3D CNNs用于ABUS图像中的乳腺瘤分类.
• 开发一种自动化系统,帮助放射科医生从3D超声波数据中诊断乳腺瘤.

主要方法:

• 使用了来自孙中山大学癌症中心的396名乳腺瘤患者的私人数据集.
• 在初始兴趣体积 (VOI) 增强后,使用3D U-Net++模型进行瘤细分.
• 一个3D注意力开始网络使用细分的VOI和面具将瘤分类为良性或恶性.

主要成果:

• 拟议的CADx系统的准确度为89.4%,灵敏度为91.2%,特异性为87.6%.
• 接收器运行特征曲线 (AUC) 下的面积达到0.9262,表明强大的诊断性能.
• 该系统的性能与经验丰富的放射科医生在瘤诊断方面的表现相当.

结论:

• 为ABUS图像开发了一个新的CADx系统,集成3D U-Net++进行细分和3D Attention-Inception进行分类.
• 拟议的系统在诊断乳腺瘤方面表现出有效性和效率.
• 这种人工智能驱动的方法显示出在改善乳腺癌诊断准确度方面具有重大潜力.