HMA-Net:一个混合混合器框架,具有多头注意力,用于乳房超声波图像细分

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:

• 乳腺癌是妇女死亡的主要原因,早期发现对生存至关重要.
• 超声波成像对于乳腺癌检测至关重要,图像细分有助于瘤识别.
• 计算机辅助方法越来越多地用于乳房超声波图像细分.

研究的目的:

• 开发和评估一种新的深度学习模型,用于精确细分乳房超声波图像.
• 加强瘤定位和鉴定,以改善乳腺癌诊断.
• 评估模型在不同乳房超声波数据集上的表现.

主要方法:

• 使用了一个深度学习架构,将ConvMixer和ConvNeXT模块与增强的多头注意力结合起来.
• 该模型包含空间过,通道智能集成,以及用于特征提取的剩余连接.
• 混合损失函数 (二进制交叉和子损失) 用于模型训练.

主要成果:

• 拟议的模型在细分复杂结构方面取得了卓越的性能.
• 获得了高雅卡德指数 (98.04%在BUSI上,94.84%在BreaST上) 和子相似系数 (99.01%在BUSI上,97.35%在BreaST上).
• 该模型在两个不同的数据集中展示了稳定性和概括能力.

结论:

• 集成的ConvMixer,ConvNeXT和注意力机制有效地捕获上下文信息以进行精确的细分.
• 该模型的强大性能验证了其在乳腺癌检测中的临床应用潜力.
• 这种方法为乳房超声波成像的计算机辅助诊断提供了有希望的进步.