目的:新疆地区女性多为脂肪型乳腺,B超回声影像具有很强的特殊性,当前国内外的深度学习模型识别率偏低。方法:为提升新疆地区乳腺超声影像的识别精确度,提升辅助诊断效果,本文提出了一种基于U-Net网络的超声乳腺肿瘤的分割方法UBDR-FB(u...目的:新疆地区女性多为脂肪型乳腺,B超回声影像具有很强的特殊性,当前国内外的深度学习模型识别率偏低。方法:为提升新疆地区乳腺超声影像的识别精确度,提升辅助诊断效果,本文提出了一种基于U-Net网络的超声乳腺肿瘤的分割方法UBDR-FB(ultrasound big data recognition for fatty breast)。UBDR-FB包含编码和解码两部分,在编码的过程中,UBDR-FB利用下采样来捕获不同分辨率的病理图像的特征信息;在解码的过程中,对特征信息进行上采样融合至初始像素。同时,UBDR-FB使用了跳跃连接方法以提高超声影像的识别效率。结果:本文收集了8430张新疆脂肪型乳腺超声影像,经过标准化处理后,利用UBDR-FB深度学习模型建立了具有新疆地域特征的超声模型。结果:UBDR-FB方法识别脂肪型乳腺规则病灶准确率均值为80%,最高可达92%。展开更多
文摘目的:新疆地区女性多为脂肪型乳腺,B超回声影像具有很强的特殊性,当前国内外的深度学习模型识别率偏低。方法:为提升新疆地区乳腺超声影像的识别精确度,提升辅助诊断效果,本文提出了一种基于U-Net网络的超声乳腺肿瘤的分割方法UBDR-FB(ultrasound big data recognition for fatty breast)。UBDR-FB包含编码和解码两部分,在编码的过程中,UBDR-FB利用下采样来捕获不同分辨率的病理图像的特征信息;在解码的过程中,对特征信息进行上采样融合至初始像素。同时,UBDR-FB使用了跳跃连接方法以提高超声影像的识别效率。结果:本文收集了8430张新疆脂肪型乳腺超声影像,经过标准化处理后,利用UBDR-FB深度学习模型建立了具有新疆地域特征的超声模型。结果:UBDR-FB方法识别脂肪型乳腺规则病灶准确率均值为80%,最高可达92%。
