对传统特征,基于CNN的特征和对乳房超声波图像中的良性与恶性病变进行区分的实验性评估
Francesco Bianconi1, Muhammad Usama Khan1,2, Hongbo Du3
1Department of Engineering, Università degli Studi di Perugia, Perugia, Italy.
Ultrasonic imaging
|August 28, 2025
概括
乳房超声波图像的计算机分析可以区分良性和恶性病变. 结合深度学习特征的整体模型显著提高了诊断准确性,帮助临床决策.
科学领域:
- 医学成像
- 人工智能
- 癌症学
背景情况:
- 乳房超声波对于损伤的评估至关重要,尤其是在密集的乳房组织中.
- 计算机分析可以提高医生的决策和解释准确性.
- 区分良性与恶性乳腺病变需要强大的分析方法.
研究的目的:
- 评估常规,深度学习和组合特征,以对超声波的乳腺病变进行分类.
- 为了比较各种单个特征集和融合方案的性能.
- 确定组合方法在提高诊断准确性的有效性.
主要方法:
- 分析了19个个体特征集 (形态,第一阶段,纹理,基于CNN).
- 使用特征连接,多数投票,总和和产品规则的组合模型的开发.
- 在三个独立的乳房超声波数据集上进行的实验.
主要成果:
- 基于CNN的特征在个人描述者中获得了最高的准确性 (77.4%-83.6%).
- 组合模型进一步提高了准确度,达到80.2%-87.5%.
- 产品和总和规则的融合方案通常优于其他方法.
结论:
- 通过组合方案结合特征集,为乳腺损伤的分类提供了显著的优势.
- 深度学习和组合方法有望改善乳房超声波的解释.
- 这些方法可以帮助临床医生区分良性和恶性乳腺病变.
