使用Swin变压器和双注意力多尺度融合网络诊断乳腺癌的深度学习框架

科学领域:

• 医疗成像中的人工智能
• 机器学习用于乳腺癌检测

背景情况:

• 乳腺癌是全球女性的主要死亡原因,因此通过乳房扫描进行早期检测至关重要.
• 卷积神经网络 (CNN) 在乳房影像中擅长于局部特征检测,但在远程依赖方面扎.
• 变压器模型捕捉了全球背景,但需要大量的数据和计算资源,限制了它们在医学成像中的使用.

研究的目的:

• 引入Swin-DAMFN,一种新的双分支混合架构,用于改善乳腺癌分类在乳房影像.
• 为了利用CNN和变形金刚的优势,克服乳房图分析中的个人局限性.
• 通过先进的数据增强技术来增强模型概括性和解决数据集限制.

主要方法:

• 开发了一种混合架构,用于全球依赖的Swin变压器分支和基于CNN的双重注意力多尺度融合网络 (DAMFN) 分支用于本地功能.
• 集成的定制多可分离的注意力 (MSA) 和三混变卷积注意力 (TSCA) 模块用于CNN分支机构内的多尺度特征提取.
• 利用注意力引导的融合机制来整合全球和本地特征.
• 采用生成对抗网络 (GAN) 和光度增强用于先进的数据增强,以减轻阶级不平衡并提高概括性.

主要成果:

• 在MIAS和CBIS-DDSM数据集上,Swin-DAMFN实现了高性能.
• 在CBIS-DDSM数据集上实现了99.30%的准确性,99.14%的灵敏度和99.15%的F1分数.
• 在MIAS数据集上获得了98.75%的准确性,98.37%的灵敏度和98.42%的F1分数.

结论:

• 拟议的Swin-DAMFN架构有效地整合了全球和本地特征学习,以准确地分类乳腺癌.
• 先进的增强策略显著提高了模型的概括性,并解决了医学成像中的数据稀缺问题.
• 斯温-DAMFN证明了乳房影像分析的卓越诊断准确性和效率,为早期乳腺癌检测提供了一个有前途的工具.