在超声视频中高效地利用时间特征:一个多道深度学习框架,用于增强乳腺损伤分化
Patrice Monkam1,2, Xu Wang1, Bonan Zhao1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, 110004, China.
BMC cancer
|November 11, 2025
概括
这项研究引入了一种新的深度学习框架,用于乳房超声波病变分化,利用多通道输入来捕获时间信息. 这种方法显著提高了对单图像方法的准确性,为资源有限的设置提供了实用解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 乳房超声波成像中的深度学习 (DL) 有助于病变的分化.
- 2D DL 模型忽略了来自美国视频的时间信息,从而限制了性能.
- 3D DL 模型使用时间数据,但对于资源有限的设置来说,计算密集.
研究的目的:
- 开发一个高效的深度学习框架,以使用超声视频中的时间信息来区分乳腺病变.
- 克服超声成像中现有的二维和三维深度学习方法的局限性.
- 为自动化乳腺病变分析提供实用且计算效率高的解决方案.
主要方法:
- 一个新的框架,使用多道输入策略,结合了超声视频的连续.
- 这种方法可以学习跨的病变特征,而无需3D模型的计算负担.
- 对来自两个不同的地区的多中心数据进行了验证.
主要成果:
- 多通道输入技术在五个DL骨干模型中显著优于单图像方法.
- 观察到精度,回忆和AUC值的持续改善.
- 与单图像输入相比,AUC提高了8.6%,精度提高了9.86%,回忆率提高了23.68%.
结论:
- 拟议的框架有效地利用时间信息来进行乳腺损伤分化,而无需显著的计算开销.
- 它为3D模型提供了计算效率高的替代方案,推进了基于DL的乳腺US分析.
- 该方法显示了更准确,更容易获得,更适用于临床的诊断解决方案的潜力.