修改U-Net的编码-解码架构,用于对乳腺超声波图像中的瘤进行细分
Sina Derakhshandeh1, Ali Mahloojifar2
1Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Jalal Ale Ahmad, P.O. Box 14115-111, Tehran, Iran.
Journal of imaging informatics in medicine
|May 15, 2025
概括
这项研究介绍了CRes-U-Net,这是一种用于细分乳房超声波图像的新型深度学习模型. 这种新方法通过改善医疗图像中病变的细分来提高癌症检测的准确性.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 精确细分乳房超声波图像对于早期癌症检测至关重要.
- 分段化的挑战包括斑点噪声,低信号噪声比和强度异质性.
- 现有的方法难以应对超声波图像工件的复杂性.
研究的目的:
- 开发一种用于准确有效的乳房超声波图像细分的改进方法.
- 通过精确的医学图像分析,提高乳腺癌的早期诊断.
- 引入一种新的神经网络架构,用于高级病变细分.
主要方法:
- 提出了一个基于U-Net和编码-解码架构的神经网络 (NN),命名为CRes-U-Net.
- 结合了U-Net与Res-Net和MultiResUNet,结合了新的"Co-Block"以保留低级和高级功能.
- 在乳房超声波图像 (BUSI) 数据集上评估了网络,包括780张图像 (正常,良性,恶性).
主要成果:
- CRes-U-Net网络在BUSI数据集上实现了高性能指标.
- 实现了82.88%的子相似度系数 (DSC),77.5%的交界线 (IoU),90.3%的曲线下的面积 (AUC) 和98.4%的整体精度 (ACC).
- 与其他最先进的深度学习方法相比,证明了优越的细分精度.
结论:
- 拟议的CRes-U-Net有效地在超声波图像中对乳腺病变进行细分.
- 这种方法为计算机辅助的乳腺癌诊断提供了更高的准确性和有效性.
- 这种新的架构成功地应对了超声波图像文物和噪音所带来的挑战.
