一个深度学习框架,用于使用局部上下文注意模块进行精确的乳腺测量质量分类
Ibrahim Abdelhalim1, Yassir Almalki2,3, Abdelrahman Abdallah4
1Department of Bioengineering, University of Louisville, Louisville, USA.
Medical physics
|September 23, 2025
概括
本研究引入了一种使用双乳镜视图的深度学习模型,以改善乳腺癌 (BC) 分类. 这种新的方法提高了密集乳腺组织的诊断准确性,有助于早期检测.
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:
- 密集的乳腺组织是乳腺癌 (BC) 的重要危险因素.
- 目前的乳腺癌的乳房扫描分类往往是主观的和不可靠的,阻碍了准确的评估.
- 提高BC分类准确性对于患者的治疗结果至关重要.
研究的目的:
- 开发一种深度学习方法,使用局部上下文注意模块 (LCAM) 来增强BC分类.
- 为了提高分级的一致性和准确性,使用与BI-RADS类别一致的双重乳房造影视图.
- 为了利用乳腺质量周围的当地环境,进行更精确的BC评估.
主要方法:
- 从双重乳腺扫描视图中,识别了感兴趣的区域 (ROI),乳腺周围有密集的组织.
- 利用基于卷积神经网络 (CNN) 的模型,结合LCAM进行特征选择和差异化.
- 为了改进适应性特征,LCAM推断出沿道和空间维度的注意力图.
主要成果:
- 该框架在四个BI-RADS类别中对3020名患者进行了评估.
- 在识别乳腺质量的BI-RADS分级时,获得了82.46%的灵敏度和91.42%的特异性.
- 在使用双重乳房镜视图对BC进行分类时表现出强的表现.
结论:
- 引入了一种基于CNN的新框架,利用双重乳房镜视图进行BC分类.
- 该LCAM有效地捕捉围绕乳腺质量的局部特征,提高分类准确性.
- 拟议的方法旨在提高BC分类结果的一致性和可靠性.