基于扩散概率模型的深层紫外荧光图像中乳腺癌自动检测深度学习方法
计算机视觉与模式识别
2024-08-26 v1 人工智能
摘要
数据限制是将深度学习应用于医学图像的一个重大挑战。最近，扩散概率模型（DPM）显示出通过将高斯随机噪声转换为逼真图像来生成高质量图像的潜力。本文将 DPM 应用于深紫外荧光（DUV）图像数据集，以提高内切缘评估的乳腺癌分类性能。对于分类，我们将整个表面 DUV 图像划分为小块，通过利用预训练的 ResNet 提取每个块的卷积特征。然后将其输入 XGBoost 分类器进行块级决策，然后通过 Grad-CAM++ 计算的区域重要性图进行整体水平预测。我们的实验结果表明，使用 DPM 增强的训练数据集在 DUV 图像中显著提高了乳腺癌检测性能，将准确率从 93% 提升到 97%，相较于使用仿射变换和 ProGAN。
引用
@article{arxiv.2407.00967,
title = {Deep learning for automated detection of breast cancer in deep ultraviolet fluorescence images with diffusion probabilistic model},
author = {Sepehr Salem Ghahfarokhi and Tyrell To and Julie Jorns and Tina Yen and Bing Yu and Dong Hye Ye},
journal= {arXiv preprint arXiv:2407.00967},
year = {2024}
}
备注
IEEE International Symposium on Biomedical Imaging 2024