相关实验视频
乳腺癌细分和分类的先进多式联络,使用DenseNet和最佳注意力方法
Junfeng Wang1, Naveed Urr Rehman1, Nan Xiao1
1Zhengzhou University, School of Computer and Artificial Intelligence, Zhengzhou, 450001, China.
Computer methods and programs in biomedicine
|September 10, 2025
概括
这项研究提出了一种新的计算机辅助诊断 (CAD) 框架,用于使用多式成像检测乳腺癌. 这种方法提高了乳房镜,CT和MRI数据集的瘤细分和分类准确性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现乳腺癌对于生存和治疗计划至关重要.
- 自动识别乳腺异常可以提高诊断的准确性和结果.
- 多模式成像 (MRI,CT,乳房造影) 为乳腺癌查提供了全面的数据.
研究的目的:
- 开发和验证使用多式联络医学图像检测乳腺癌的新型框架.
- 通过综合方法提高瘤细分和分类的准确性.
- 利用先进的深度学习模块来改进功能提取和信息聚合.
主要方法:
- 集成基于分布式负载的扩展卷积 (DLM) 和多头密度扩展卷积 (MHD) 模块,以捕获多尺度信息.
- 利用最佳多层次注意力 (OMLA) 和关键方面注意力 (KA) 模块来有效地汇集与任务相关的信息.
- 计算机辅助诊断 (CAD) 系统的开发,该系统使用细分面具作为分类的额外功能.
主要成果:
- 实现了高的子系数进行细分:86.756% (乳房图),96.931% (CT) 和97.813% (MRI).
- 证明了优异的分类准确性:89.98% (乳房图),97.028% (CT) 和98.760% (MRI).
- 验证了该框架在提高乳腺癌检测和诊断方面的有效性和临床潜力.
结论:
- 引入了用于乳腺癌分类和细分的新型多式联络框架.
- 通过将细分面具作为附加功能,CAD方法可以改进分类.
- 策划了一个全面的CT乳腺癌数据集与详细的注释,支持未来的研究.