在超声波成像中精确分类良性和恶性乳腺瘤,使用增强的深度学习模型
Baoqin Liu1, Shouyao Liu2, Zijian Cao3
1Department of TCM gynecology, China-Japan Friendship Hospital, Beijing, China.
Frontiers in bioengineering and biotechnology
|July 10, 2025
概括
这项研究介绍了RcdNet,这是一种用于乳腺癌检测的深度学习模型. RcdNet准确地分类良性和恶性乳房超声波图像,提高早期癌症检测的诊断准确性和一致性.
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:
- 乳腺癌是全球女性的主要死亡原因.
- 目前的超声波诊断是主观的,容易出错.
- 非常需要自动化,准确的乳腺癌检测.
研究的目的:
- 开发一个深度学习模型,用于准确的乳房超声波图像分类.
- 提高乳腺癌诊断的一致性和可靠性.
- 帮助早期发现和精确治疗乳腺癌.
主要方法:
- 提出了RcdNet,这是一个集深度可分离卷积和CBAM注意力的深度学习模型.
- 在内部和外部验证RcdNet,将其与ResNet,MobileNet,RegNet,ViT和ResNeXt进行比较.
- 利用热图可视化来分析模型的注意力和临床解释性.
主要成果:
- 在良性和恶性分类方面,RcdNet的表现优于主流深度学习模型.
- 在外部测试套件上获得了0.9351准确度,0.9168精度,0.9495回忆率和0.9168F1得分.
- 热图证实RcdNet专注于临床相关的特征,如瘤边缘.
结论:
- 在乳房超声波分类中,RcdNet表现出高精度,概括性和可解释性.
- RcdNet可以作为一个辅助工具来提高诊断准确性和一致性.
- 未来的工作包括将RcdNet集成到实时系统和多模式工作流中.
