一个双阶段的深度学习框架用于乳房超声波图像细分和分类
Pierangela Bruno1, Megan Macrì2, Carmine Dodaro2
1Department of Mathematics and Computer Science, University of Calabria, Rende, 87036, CS, Italy. pierangela.bruno@unical.it.
Journal of medical systems
|November 17, 2025
概括
深度学习模型可以在超声波图像中对乳腺质量进行细分和分类,从而改善早期乳腺癌检测. 这种人工智能方法提高了恶性与良性瘤的诊断准确度.
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:
- 乳腺癌是妇女死亡的主要原因,因此早期检测至关重要.
- 深度学习 (DL) 在增强用于诊断的医疗图像分析方面表现有前途.
- 超声波成像是评估乳腺质量的关键工具.
研究的目的:
- 在超声波图像中应用深度学习技术来细分和分类乳腺质量.
- 开发一个双阶段的管道,以改善乳腺癌诊断.
- 为了评估不同DL架构对此任务的性能.
主要方法:
- 提出了一个模块化,双阶段的DL管道:细分,然后分类.
- 该管道灵活地集成了各种骨干架构 (例如ResNet34,MobileNetV3-小,EfficientNet-B0).
- 为了优化模型参数,进行了除研究.
主要成果:
- DeepLabV3+与ResNet34一起实现了最准确的可疑区域细分.
- 轻量级分类器MobileNetV3-Small和EfficientNet-B0表现出优越的分类性能.
- 该方法在两个乳房超声波数据集上显示出诊断准确性的有希望的改善.
结论:
- 拟议的DL管道有效地使用超声波图像对乳腺质量进行细分和分类.
- 该方法有可能显著提高早期乳腺癌检测和诊断准确性的潜力.
- 灵活整合DL架构允许对特定任务进行优化.
