混合适应性注意深度监督引导的U-Net用于超声波计算机断层扫描图像中的乳腺病变细分
Xu Liu1, Liang Zhou1,2, Mengyuan Cai1
1Department of Bio-Medical Engineering, School of Life Science and Technology, Advanced Biomedical Imaging Facility, Huazhong University of Science and Technology, Wuhan, 430074, Hubei, China.
Medical & biological engineering & computing
|June 9, 2025
概括
这项研究引入了一个深度学习模型,用于超声波图像中的乳腺病变细分. 通过准确识别病变,HAA-DSUNet有效地改善了早期乳腺癌检测,提高了患者的生存率.
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:
- 乳腺癌仍然是妇女死亡的主要原因,晚期诊断的死亡率很高.
- 早期发现乳腺病变对于改善患者存活率至关重要.
- 需要自动化诊断系统,以有效和准确的乳腺癌查.
研究的目的:
- 开发一个基于深度学习的网络,用于精确细分乳腺瘤在乳腺超声波计算机断层扫描 (BUCT) 图像中的病变.
- 提高U-Net架构的性能,以改善乳腺病变的检测和诊断.
主要方法:
- 提出了一种混合适应性注意深度监督引导的U-Net (HAA-DSUNet) 模型.
- 集成了一种混合适应性注意模块 (HAAM),以扩大受体场并捕捉全球特征.
- 利用对比损失进行深度监测,以最大限度地减少在升样过程中的信息损失.
主要成果:
- 在 BUCT 图像数据集 (HCH 和 HCH-PHMC) 上获得了 0.8729 的 Dice 评分和 0.8097 的 IoU .
- 在乳腺损伤细分方面,HAA-DSUNet模型的表现优于现有的最先进的方法.
- 后处理步骤包括过,细分和形态细化最终的细分结果.
结论:
- 拟议的HAA-DSUNet算法有效地从BUCT图像对乳腺病变进行细分.
- 深度学习方法显示了改善自动化乳腺癌诊断的巨大潜力.
- 精确的病变细分对于早期查和改善乳腺癌患者的治疗结果至关重要.
