深度学习用于瘤细分和乳房超声波图像中的多类分类,使用预训练模型
K E ArunKumar1,2, Matthew E Wilson1,2, Nathan E Blake1,2
1School of Agriculture and Food Systems, Davis College of Agriculture and Natural Resources, West Virginia University, Morgantown, WV 26506, USA.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了一种使用深度学习的人工智能 (AI) 工作流程,用于在超声波图像中检测乳腺癌. 人工智能模型在细分病变并将其分类为正常,良性或恶性方面取得了高准确性.
科学领域:
- * 医学成像和诊断 医学成像和诊断
- * 医疗保健中的人工智能
- * 生物医学工程 * 生物医学工程
背景情况:
- * 早期发现乳腺癌对于有效治疗和改善患者治疗结果至关重要.
- * 乳房超声波是放射科医生对病变的评估广泛使用的成像方法.
- *现有的成像技术需要改进,以实现自动和准确的病变识别和分类.
研究的目的:
- * 开发人工智能 (AI) 工具,用于细分病变和超声波图像中乳腺癌的多类分类.
- * 评估各种预训练的深度学习模型的性能,用于细分和分类任务.
- * 通过使用频域特征增强技术来提高AI模型性能.
主要方法:
- *使用编码器-解码器架构 (U-Net,U-Net++,DeepLabV3) 与预训练的骨干 (ResNet18,EfficientNet-B0,MobileNetV2) 的细分模型的开发.
- *将频域特征增强模块 (FEM) 集成到DeepLabV3架构中,以改进特征表示.
- * 在乳房超声波图像 (BUSI) 数据集上培训和评估多类分类模型 (ResNet18,DenseNet121,InceptionV3,MobielNetV3,GoogleNet).
- *使用Optuna进行超参数优化,以选择最佳模型架构和参数.
主要成果:
- * 在测试数据集上,FrequencyAwareDeepLabV3 (FADeepLabV3) 模型实现了0.85的子相似系数 (DSC) 和0.72的跨欧交点 (IoU).
- *频域增强显著改善曲线下的面积 (AUC) 从0.90到0.98,表明预测可靠性得到增强.
- *对于分类,InceptionV3在测试数据集上表现最好,F1得分为0.75,准确度为0.83.
结论:
- *开发的AI工作流程有效地自动化了乳腺癌超声波图像的细分和多类分类.
- * 拟议的FADeepLabV3模型具有频率域增强,显示了提高乳腺癌检测诊断准确性的巨大潜力.
- *这种方法为提高乳房超声波解释的临床可靠性和效率提供了一个有前途的工具.
