通过组合调制-解调制框架积累技术和增强的vgg16技术,提高生物组织中异质性的检测精度
Fulong Liu1, Siyuan Huang1, Jie Gao1
1Xuzhou Medical University, School of Medical Information and Engineering, Xuzhou, Jiangsu, China.
PloS one
|November 13, 2025
概括
将调制-解调框架积累 (M_D-FA) 与增强的视觉几何组16 (VGG16) 模型相结合,可显著改善多谱传输图像 (MTI) 中的异质分类. 这种方法提高了信号噪声比,并达到97.57%的准确性,有助于早期发现乳腺癌.
科学领域:
- 生物医学光学 生物医学光学
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 生物组织中的光散射和吸收阻碍了在多光谱图像中的异质性识别.
- 现有的方法难以准确检测微妙的组织变异.
研究的目的:
- 提高多光谱传输图像 (MTI) 中异质分类的准确性.
- 研究调制-解调制积累 (M_D-FA) 和增强的深度学习模型的综合效应,以改进图像分析.
主要方法:
- 采集和预处理幻影的多谱传输图像 (MTI),使用各种组合的积 (FA) 和调制-解调制 (M_D) 技术.
- 用U-Net语义细分来进行多光谱融合伪色图像生成.
- 原始和增强的视觉几何组16 (VGG16) 模型,包括VGG16-批量规范-挤压和刺激-全球平均聚合 (VGG16_BN_SE_GAP),用于异质分类.
主要成果:
- 与单个FA或M_D方法相比,组合的M_D-FA技术产生了最高的信号噪声比 (SNR) 和更高的异质分类准确性.
- 改进的VGG16模型显示,与原始VGG16模型相比,分类准确度逐渐提高.
- 使用3.5赫兹M_D-FA图像处理的VGG16_BN_SE_GAP模型实现了97.57%的最高分类精度.
结论:
- M_D-FA技术和先进的深度学习模型的协同应用显著提高了MTI中异质分类的准确性.
- 这种增强的方法为乳腺癌早期检测中的多谱传播成像的临床应用提供了有前途的途径.
