ESAM2-BLS: 增强的细分任何模型2用于高效的乳腺损伤细分在超声波成像

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:

• 超声波成像对于乳腺损伤诊断至关重要,但由于噪音和图像质量变化,它面临着细分挑战.
• 精确细分乳腺病变对于有效的查和诊断至关重要.

研究的目的:

• 开发一种新的深度学习模型,ESAM2-BLS,以改善超声波图像中的乳腺病变细分.
• 为应对乳房超声波成像中的特定挑战,包括斑点噪音和低对比度.

主要方法:

• 一个增强的SegmentAnything Model 2 (SAM2) 架构,ESAM2-BLS,是使用适配器模块开发的,该模块是为乳房超声波图像量身定制的.
• 该模型结合了通道注意力,专门的卷积和优化的跳过连接,以处理超声波特定的工件.
• 采用多尺度特征融合和轴向扩展深度卷积来全面捕获损伤信息.

主要成果:

• ESAM2-BLS显著提高了细分精度,特别是在低对比度和小病变方面.
• 该模型在两组数据集的五倍交叉验证中获得了0.9077和0.8633的平均子得分.
• 与传统的细分方法相比,观察到稳定性和准确性的改进.

结论:

• ESAM2-BLS为乳腺病变细分提供了一种高效,可靠和专业化的自动化解决方案.
• 该模型通过提高细分性能来增强早期乳腺癌查和诊断.
• 定制的适配器模块有效地应对乳房超声波成像中的独特挑战.