WAveHCT:在超声波图像中进行乳腺癌诊断的波形注意力混合卷积变压器网络

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:

• 通过超声波诊断乳腺癌的诊断受到图像噪声,病变变化和人工制造物的阻碍.
• 准确高效的诊断工具对于早期检测和治疗计划至关重要.

研究的目的:

• 介绍WAveHCT,一个新的波形细致混合卷积变压器网络,用于在超声波图像中增强乳腺癌诊断.
• 在精度,回忆,F1得分和AUC方面评估WAveHCT与现有方法的性能.

主要方法:

• 不同类型的扩散过用于降低噪音和保护边缘.
• 使用ResNet50编码器在波形分解图像上进行特征提取.
• 通过波段-注意功能融合 (WAFF) 模块集成功能.
• 一个混合卷积变压器块用于捕获本地和全球依赖.

主要成果:

• 与现有的诊断方法相比,WAveHCT获得了更高的准确性,回忆力,F1得分和AUC.
• 生成的热图显示了诊断相关特征的改进定位.
• 该模型显示了协助放射科医生更精确地诊断乳腺癌的潜力.

结论:

• WAveHCT提供了一种有前途的深度学习方法,用于改善超声波中的乳腺癌检测.
• 混合架构有效地结合了本地和全球功能学习,以提高诊断性能.
• 这项技术可能会提高放射科医生的效率,并减少对侵入性活检的需求.