在使用U-Net深度神经网络变体的热图中分析乳房区域细分的分析
Rafhanah Shazwani Rosli1, Mohamed Hadi Habaebi1, Md Rafiqul Islam1
1IoT and Wireless Communication Protocols Laboratory, Department of Electrical and Computer Engineering, International Islamic University Malaysia (IIUM), Kuala Lumpur, Malaysia.
Frontiers in bioinformatics
|October 27, 2025
概括
具有ADAM优化器的原始U-Net模型在热图中对乳腺区域进行细分是非常有效的,改善了乳腺癌检测. 与更复杂的模型相比,这种组合提供了更高的精度和稳定性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 在热图中精确细分乳房区域对于乳腺癌的有效计算机辅助诊断至关重要.
- 现有的细分模型需要评估,以优化医疗图像分析的性能.
研究的目的:
- 用五种优化算法对乳房热图像细分来评估三种深度学习细分模型 (U-Net,U-Net with Spatial Attention,U-Net++) 的性能.
- 为了确定最有效的模型-优化器组合,以准确地细分乳腺区域.
主要方法:
- 对U-Net,带有空间注意力的U-Net和U-Net++模型进行比较分析.
- 使用五种优化算法进行评估:ADAM,NADAM,RMSPROP,SGDM和ADADELTA.
- 通过k倍交叉验证进行性能评估,使用包括IoU,Dice系数,精度,回忆,特异性,ROC-AUC和PR-AUC在内的指标.
主要成果:
- 在所有测试模型中,ADAM优化器表现出了卓越的性能.
- 基线U-Net模型实现了最高的性能指标,包括精度 (0.9721),回忆 (0.9559),特异性 (0.9801),ROC-AUC (0.9680),和PR-AUC (0.9472).
- 与更复杂的变体相比,U-Net在处理乳房区域重叠和噪声方面表现出更强大的稳定性.
结论:
- 原始的U-Net模型,通过ADAM进行优化,是热成像中乳房区域细分的高效选择.
- 对于特定的医学成像任务,更简单的深度学习架构可能比复杂的架构更有效.
- 这项研究为选择最佳的深度学习模型和优化器提供了有价值的见解,以提高乳腺癌诊断的准确性.
