预处理技术对深度学习的影响 乳房图像细分 乳房图像细分

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:

• 乳腺癌是全球领先的健康问题,需要先进的诊断工具.
• 深度学习 (DL) 方法在医学图像分析中表现有前途,特别是在细分任务中.
• 预处理对乳房成像中的DL模型性能的影响尚未得到充分证实.

研究的目的:

• 调查各种预处理技术对乳房图像细分DL模型性能的影响.
• 将域非特定管道与域特定管道进行比较,用于乳腺成像.
• 确定最佳的预处理策略,以提高乳腺图像细分的准确性.

主要方法:

• 一个U-Net细分模型被应用到两个公开的乳腺成像数据集 (CBIS-DDSM和杜克-乳腺癌-MRI).
• 系统评估预处理技术,包括规范化,协调,大小调整和标准化.
• 开发和比较域非特定和域特定的预处理管道.

主要成果:

• 不同的预处理技术导致了U-Net细分结果的显著变化.
• 像素强度正常化方法对模型性能产生了显著影响,由三向ANOVA F-test证实.
• 域特定管道,保存解剖信息,证明了改进细分的潜力.

结论:

• 预处理是DL模型在乳腺图像细分中的性能的一个关键决定因素.
• 量身定制的预处理策略,特别是像素强度规范化,可以提高细分精度.
• 这项研究为优化基于DL的乳腺图像分析提供了基础的见解.