首页 / 院系成果 / 成果详情页

基于深度学习的乳腺超声图像BI-RADS五分类方法期刊论文

编号：

643E8EC6AEC9380831F87C2821A03394
作者：

佘芙蓉^[1];易伦朝;罗晓茂李玲兰;易三莉;
地址：

昆明理工大学信息工程与自动化学院;昆明理工大学云南省计算机技术应用重点实验室;昆明理工大学食品科学与工程学院;云南省肿瘤医院超声医学科;
语种：

中文
期刊：

云南大学学报(自然科学版) ISSN：0258-7971 2023 年 45 卷 4 期 (815 - 824) ; 2022年11月
收录：
关键词：

图像分类乳腺超声图像乳腺影像报告和数据系统深度学习卷积神经网络 image classification breast ultrasound image Breast Image Reporting and Data System(BIRADS) deep learning convolutional neural network
摘要：

基于乳腺超声图像研究了一种深度学习自动分类算法TDS-Net，用于实现乳腺影像报告和数据系统（BI-RADS）3、4a、4b、4c、5级的五分类. TDS-Net设计了双支路的结构：首先，第一条支路采用提出的DDModule叠加构成，该模块能够减少超声图像中的伪影并提取丰富的局部细节特征；其次，第二条支路由卷积块构成，它主要用于提取图像的全局特征信息，作为第一支路的信息补充；最后，将两条支路融合得到含有丰富特征信息的融合特征图，并采用深度可分离卷积和SENet进一步提取图中的信息，其中，深度可分离卷积能够减少参数并增加网络的非线性进而增强其提取特征的能力，SENet注意力机制能增强高阶特征信息的提取.为验证该算法，采用云南省肿瘤医院提供的数据进行实验，结果显示准确率、精准率、F1值分别为94.67%、94.81%、94.69%，均高于对比算法，体现了该算法的优越性.同时为验证该算法的鲁棒性和普适性，基于两个公共数据集做了良恶性二分类的实验，实验结果同样高于对比算法.这些结果表明，所提算法TDS-Net对乳腺超声图像具有较强的识别能力，有望应用于临床医学.
推荐引用方式
GB/T 7714：

佘芙蓉,易伦朝,罗晓茂, 等. 基于深度学习的乳腺超声图像BI-RADS五分类方法 [J].云南大学学报(自然科学版),2023,45(4):815-824.
APA：

佘芙蓉,易伦朝,罗晓茂,李玲兰,&易三莉.(2023).基于深度学习的乳腺超声图像BI-RADS五分类方法 .云南大学学报(自然科学版),45(4):815-824.
MLA：

佘芙蓉, et al. "基于深度学习的乳腺超声图像BI-RADS五分类方法" .云南大学学报(自然科学版) 45,4(2023):815-824.
入库时间：

2023/9/9 21:53:57
更新时间：

2023/9/9 21:53:57

浏览次数：60  下载次数：0

分享到：

浏览次数：60

下载次数：0

打印次数：0

基于深度学习的乳腺超声图像BI-RADS五分类方法 期刊论文

基于深度学习的乳腺超声图像BI-RADS五分类方法期刊论文