对幕膜乳房影像语义细分模型的比较分析
Jyoti Rani1, Jaswinder Singh2, Jitendra Virmani3
1GZSCCET, MRSPTU, Punjab, India.
Computers in biology and medicine
|June 6, 2025
概括
准确的乳房扫描质量细分对于诊断至关重要. 在十个深度学习模型中,ResNet50表现出优异的性能,在乳房扫描查中对具有挑战性的乳房质量进行细分是有效的.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 精确的断层乳腺镜质量对于放射科医生来说至关重要,他们可以根据形状特征区分良性和恶性病例.
- 深度学习细分算法因其在医疗图像分析任务中的应用而获得了突出地位.
研究的目的:
- 对10个语义细分模型进行严格的性能分析,用于乳房图谱质量细分.
- 确定最佳的深度学习模型来对具有挑战性的乳腺质量进行细分,包括具有密集背景或同时发生的微化.
主要方法:
- 评估了十个语义细分模型 (VGG16/VGG19,U-Net,ResNet18/ResNet50/ShuffleNet/XceptionNet/InceptionV2/MobileNetV2,混合U-Net) 使用来自DDSM数据集的518张乳房图像.
- 使用贾卡德指数 (JI) 和F1分数进行定量评估.
- 放射科医生对细分图像进行主观分析,重点关注尺寸,边缘和形状特征.
主要成果:
- 扩展卷积DAG模型,特别是ResNet50,ShuffleNet和MobileNetV2,表现优于其他模型.
- 在 ResNet50 取得的累计 JI 和 F1 评分分别为 0.87 和 0.92.
- ResNet50被确定为细分难以划分的质量的最佳模型,包括具有密集背景和共存微化的质量.
结论:
- ResNet50是对乳腺扫描群体,特别是复杂病例进行细分的最有效模型.
- 这项研究表明ResNet50有可能被整合到乳房扫描质量细分的常规临床工作流程中.
- 深度学习模型,特别是ResNet50,在提高乳房图分析的准确性和效率方面取得了重大进展.
