DAUS-Net:朝着超声波扫描仪-不可知领域的通用化 强大而准确的细分
Sangheon Lee1, Dongkyu Jung1, Nizar Guezzi1
1Department of Robotics and Mechatronics Engineering, DGIST, Daegu, Republic of Korea.
Ultrasonic imaging
|December 26, 2025
概括
一个新的深度学习模型,DAUS-Net,在超声波图像中有效地对乳腺瘤进行细分,无论设备的变化如何. 这克服了数据采集的挑战,改善了医疗成像细分任务的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 准确的医疗图像细分对于诊断至关重要,但深度学习模型需要大量的标记数据,这是昂贵的和耗时的.
- 超声波成像表现出显著的设备依赖的特征变化,需要设备特定的模型培训,并带来实际挑战.
研究的目的:
- 开发一个强大而准确的细分网络,用于超声波乳腺瘤检测,独立于特定的超声波设备.
- 提高医疗成像细分中的深度学习模型的通用性.
主要方法:
- 将深频过 (DFF) 模块集成到U-Net架构中.
- 频率过在编码器层潜伏空间中的应用,用于适应性组件选择.
- 用实例规范化取代批量规范化,以消除特定风格的特征.
主要成果:
- 与传统的U-Net相比,拟议的DAUS-Net在未见的数据集上表现出卓越的性能.
- 在BUS-BRA数据集上获得0.76的子得分,明显超过U-Net的0.61.
- 在不同扫描仪上一致检测和细分乳腺瘤,归因于DFF和实例正常化.
结论:
- DAUS-Net提供了超声波乳腺瘤细分的通用解决方案,克服了设备的变化.
- 该模型的性能突显了改善临床细分任务的潜力,并降低了数据采集成本.
- 公共可用的源代码促进了医学成像AI的进一步研究和开发.
