一个混合注意网络,用于精确的乳腺瘤细分在超声图像中的超声图像
Muhammad Azeem Aslam1, Asim Naveed2, Nisar Ahmed3
1School of Information Engineering, Xi'an Eurasia University, Xi'an, Shaanxi, 710071, China. azeem@eurasia.edu.
Scientific reports
|November 12, 2025
概括
这项研究介绍了HA-Net,这是一种新的基于注意力的混合细分框架,用于乳房超声波 (BUS) 图像. HA-Net提高了自动瘤细分的准确性,帮助放射科医生诊断乳腺癌.
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:
- 乳腺超声波 (BUS) 图像对乳腺癌诊断至关重要.
- 由于噪音和模糊的边界,BUS图像中的自动瘤细分具有挑战性.
研究的目的:
- 开发一种新的基于注意力的混合细分框架 (HA-Net),用于改进BUS图像分析.
- 为了提高在BUS图像中自动瘤细分的准确性和可靠性.
主要方法:
- 使用DenseNet-121的骨干来进行特征提取.
- 集成的全球空间注意,位置编码和缩放的点-产品注意模块.
- 采用空间特征增强块和复合损失函数 (BCE + Jaccard 指数损失).
主要成果:
- 与BUS数据集上最先进的方法相比,HA-Net表现出了合格的性能.
- 该框架有效地处理成像文物和模糊的瘤边界.
- 实现了更好的细分精度和可靠性.
结论:
- HA-Net显示出作为放射科医生在乳腺癌诊断中的有效决策支持工具的巨大潜力.
- 混合注意力机制和增强的功能改进有助于强大的细分.
- 进一步的验证可能会将HA-Net作为临床实践中一个有价值的工具.
