临床专注的计算机辅助诊断乳腺癌使用SE和CBAM与多头注意力

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:

• 乳腺癌是全球女性的主要恶性瘤.
• 准确的乳腺组织分类对于有效的治疗和生存至关重要.
• 目前的诊断方法需要改进,以实现早期和精确的检测.

研究的目的:

• 开发一种深度学习模型,通过超声波图像对良性,恶性和正常乳腺组织进行分类.
• 为了实现乳腺组织分类的高精度,超越现有的方法.
• 为早期乳腺癌诊断创建可靠的决策支持工具.

主要方法:

• 开发了一个深度学习模型,集成Squeeze-and-Excitation (SE) 块,卷积块注意力模块 (CBAM) 和多头注意力 (MHA).
• 该模型是在乳房超声波图像数据集上进行训练和评估的.
• 性能与六个常见的卷积神经网络 (CNN) 和视觉转换器 (ViT) 架构进行了比较.

主要成果:

• 开发的模型在乳房超声波图像上实现了96.03%的准确性,超过了比较模型.
• 在基因病理图像上进行测试时,该模型的平均精度为99.55%.
• 该模型有效地学习了空间和上下文信息,以准确区分组织.

结论:

• 深度学习模型在乳房超声波成像中显示了计算机辅助诊断的巨大潜力.
• 拟议的模型为早期乳腺癌检测提供了可靠,快速和准确的工具.
• 这项技术可以提高诊断准确度,改善临床环境中的患者管理.