对乳房超声波病变检测和分类的深度学习方法的比较分析
Noelia Vallez1, Israel Mateos-Aparicio-Ruiz1, Miguel Angel Rienda2
1VISILAB, University of Castilla-La Mancha, E.T.S. Ingenieria Industrial, Avda. Camilo Jose Cela s/n, 13071 Ciudad Real, Spain.
概括
实例细分方法在乳房超声波病变检测和分类方面表现出卓越的性能. 这项研究比较了各种细分和检测技术,确定了改进计算机辅助诊断系统的最有效方法.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 人工智能的人工智能
背景情况:
- 乳房超声波 (BUS) 计算机辅助诊断 (CAD) 系统通常涉及病变的检测和分类.
- 这些步骤的综合影响和特定方法论对系统结果的影响仍未得到充分研究.
研究的目的:
- 为了比较对象检测,语义细分和BUS图像中病变检测的实例细分的有效性.
- 评估四种不同的方法:多类对象检测,一个类对象检测与区域分类,多类细分和一个类细分与区域分类.
主要方法:
- 使用了一个新的BUS细分数据集 (BUS-UCLM) 和四个公共数据集 (BUSI,OASBUD,RODTOOK,UDIAT).
- 我们比较了四种方法:多类对象检测,一类对象检测与局部区域分类,多类细分和一类细分与细分区域分类.
- 使用实例细分 卷积神经网络 (CNN) 用于评估.
主要成果:
- 在使用实例细分CNN时,多类检测和多类细分产生了最好的结果.
- 一个多级面具R-CNN实现了最高检测结果,COCO AP50的72.9%.
- 在多类细分中,Poolformer表现出优异的表现,获得77.7%的子得分.
结论:
- 实例细分证明BUS图像最有效,在划分单个病变方面表现出色.
- 在BUS中准确的病变识别和细分存在重大挑战.
- 该研究强调了为增强的BUS CAD系统选择合适的细分模型的重要性.


