特朗普-UNet:基于变压器和区域注意力模块的U-Net用于乳房超声波图像分割

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:

• 乳腺超声波图像的准确细分对于早期发现乳腺癌至关重要.
• 现有的细分模型在处理多样化的损伤特征和细化边界方面面临挑战.

研究的目的:

• 推出TRAM-UNet,这是一个集成变压器块和区域注意力模块 (RAM) 的新型深度学习模型.
• 为了提高乳房超声波图像细分的性能,使用TRAM-UNet.

主要方法:

• 开发了TRAM-UNet架构,将变压器块与区域注意模块 (RAM) 结合起来.
• 在三个不同的乳房超声波数据集上对TRAM-UNet的评估:BUS-BRA,BUSI和BLUI.
• 对U-Net和U-Net+变压器模型进行比较分析.

主要成果:

• 在TRAM-UNet中获得的平均子得分高于平均得分: 88.56% (BUS-BRA),84.68% (BUSI) 和83.96% (BLUI).
• 该模型在所有数据集中比U-Net和U-Net + Transformer显著提高了性能.
• 特朗普-联网有效地细化了边界,并适应了各种损伤特征.

结论:

• TRAM-UNet在乳房超声波图像细分的深度学习方面取得了重大进展.
• 该模型的提高准确性和适应性显示了改善自动化乳腺癌诊断的潜力.
• 进一步的研究可以优化TRAM-UNet用于乳腺癌查和诊断的临床应用.