在超声波图像中改善乳腺癌诊断,使用特征融合和注意力机制的深度学习
Sohaib Asif1, Yuqi Yan2, Bojian Feng1
1Taizhou Key Laboratory of Minimally Invasive Interventional Therapy & Artificial Intelligence, Taizhou Campus of Zhejiang Cancer Hospital (Taizhou Cancer Hospital), Taizhou, Zhejiang 317502, China (S.A., Y.Y., B.F., L.S., D.X.); Center of Intelligent Diagnosis and Therapy (Taizhou), Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Taizhou, Zhejiang 317502, China (S.A., Y.Y., B.F., L.S., V.Y.W., D.X.); Wenling Institute of Big Data and Artificial Intelligence in Medicine, Taizhou, Zhejiang 317502, China (S.A., Y.Y., B.F., L.S., V.Y.W., D.X.); Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, Zhejiang 310022, China (S.A., Y.Y., B.F., T.J., J.Y., L.L., M.S., M.S., L.S., V.Y.W., D.X.).
这项研究引入了一种深度学习模型,用于在超声波图像中对良性和恶性病变进行分类,从而实现更高的准确性. 该模型的性能优于传统方法和放射学家,为医学诊断提供了可靠的工具.
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:
- 在超声波图像中早期发现恶性病变对于有效的癌症诊断和治疗至关重要.
- 与传统方法相比,深度学习模型有可能提高准确性,减少错误,提高医疗图像分析的效率.
- 这项研究的重点是深度学习模型的应用和解释性,用于在超声图像中分类良性和恶性病变.
研究的目的:
- 开发和评估基于特征融合的深度学习模型,用于在超声波图像中对良性和恶性病变进行分类.
- 评估模型的性能与传统的深度学习模型和人类放射学家相比.
- 提高深度学习模型决策过程的可解释性.
主要方法:
- 提出了一个基于功能融合的深度学习模型,将MobileNetV2和DenseNet121架构与功能融合和注意力机制集成在一起.
- 该模型在私人临床数据集 (2171张图像) 和公共BUSI数据集 (780张图像) 上进行了训练和验证.
- 使用Grad-CAM, Saliency Maps和Shapley添加式解释 (SHAP) 技术实现了可解释性,并对放射科医生进行了比较分析.
主要成果:
- 拟议的深度学习模型实现了高性能,私人数据集的AUC为0.9320,公共数据集的AUC为0.9834.
- 该模型显著优于传统的深 convolutional 神经网络模型,并显示出超过放射科医生的诊断性能.
- 可解释性技术提供了对模型对相关图像特征的关注的见解,支持其准确的分类.
结论:
- 开发的深度学习模型在超声波图像中对良性和恶性病变进行分类时表现出卓越的准确性.
- 该模型的性能超过了传统方法和人类专家诊断,突出了其作为可靠诊断工具的潜力.
- 整合可解释性技术提高了对医疗诊断中模型预测的信任和理解.
