基于UMe++和LSTM的乳腺超声图像分割
计算机视觉与模式识别
2025-04-18 v2 人工智能
摘要
乳腺癌是全球女性死亡率最高的疾病之一，及早检测在降低死亡率方面起着关键作用。虽然对BUSI数据集上用于乳腺癌医学影像的应用UNet和UNet++网络已展现出亮眼的分割效果，但这些模型的一个显著缺点是对图像中嵌入的时序特性缺乏关注。本研究致力于通过集成LSTM层和自注意力机制来丰富UNet++架构，以从利用时序特性进行分割。此外，融合多尺度特征提取模块旨在捕获UNet++中不同尺度的特征。通过将本研究提出的方法与数据增强相结合应用于BUSI with GT数据集，实现了98.88%的准确率、99.53%的特异度、95.34%的精确度、91.20%的灵敏度、93.74%的F1分数和92.74%的Dice系数。这些发现表明本方法在现有文献中与最新技术相抗衡。
引用
@article{arxiv.2412.05584,
title = {UMSPU: Universal Multi-Size Phase Unwrapping via Mutual Self-Distillation and Adaptive Boosting Ensemble Segmenters},
author = {Lintong Du and Huazhen Liu and Yijia Zhang and ShuXin Liu and Yuan Qu and Zenghui Zhang and Jiamiao Yang},
journal= {arXiv preprint arXiv:2412.05584},
year = {2025}
}