Методы глубокого обучения в задаче обнаружения рака молочной железы
DOI:
https://doi.org/10.52575/2687-0932-2025-52-4-861-872Ключевые слова:
нейронные сети, ультразвуковое исследование, эластография, парные функции потерь, машинное обучениеАннотация
В настоящее время методы и алгоритмы глубокого обучения начинают активно использоваться в медицинской сфере. Одной из задач, в которых нейронные сети добиваются хороших результатов, является диагностика. В данной работе рассмотрены современные исследования в области распознавания рака молочной железы по изображениям ультразвукового исследования, как наиболее распространенного благодаря своей неинвазивности. Анализ включает работы за последние пять лет в данной области. Также в работе представлены соображения авторов по разработке нового алгоритма глубокого обучения для распознавания рака молочной железы по изображениям ультразвукового исследования, основанного на использовании парных функций потерь при построении сети.
Скачивания
Библиографические ссылки
References
Afrin H., Larson N.B., Fatemi M., Alizad A. 2023. Deep Learning in Different Ultrasound Methods for Breast Cancer, from Diagnosis to Prognosis: Current Trends, Challenges, and an Analysis. Cancers 2023, 15, 3139.
Chan H.-P., Samala R.K., Hadjiiski L.M. 2020. CAD and AI for breast cancer – Recent development and challenges. Br. J. Radiol, 93, 20190580.
Chen C., Wang Y., Niu J., Liu X., Li Q., Gong X. 2021. Domain knowledge powered deep learning for breast cancer diagnosis based on contrast-enhanced ultrasound videos. IEEE Trans Med Imaging 40: 2439–51.
Chen Y., Liu J., Luo X., Luo J. 2021. A self-supervised deep learning approach for high frame rate plane wave beamforming with two-way dynamic focusing. In: 2021 IEEE international ultrasonics symposium (IUS), p. 1–4.
Iranmakani S., Mortezazadeh T., Sajadian F., Ghaziani M.F., Ghafari A., Khezerloo D., Musa A.E. 2020. A review of various modalities in breast imaging: Technical aspects and clinical outcomes. Egypt. J. Radiol. Nucl. Med. 2020, 51, 57.
Jabeen K., Khan M.A., Alhaisoni M., Tariq U., Zhang Y.D., Hamza A., et al. 2022. Breast cancer classification from ultrasound images using probability-based optimal deep learning feature fusion. Sensors 22: 807.
Li Z. 2022. Design of ultrasound-based diagnostic algorithms for pneumothorax. North China University of Technology. Master’s thesis.
Liu S., Wang Y., Yang X., Lei B., Liu L., Li S.X., et al. 2019. Deep learning in medical ultrasound analysis: a review. Engineering 5: 261–75.
Liu Z., Jin M., Chen Y., Liu H., Yang C., Xiong H. 2023. Lightweight network towards real-time image denoising on mobile devices. IEEE international conference on image processing (ICIP) (IEEE), 2270–2274.
Luijten B, Chennakeshava N, Eldar Y.C., Mischi M., van Sloun R.J. 2022. Ultrasound signal processing: from models to deep learning. Ultrasound Med Biol 49: 677–98.
Mamistvalov A., Amar A., Kessler N., Eldar YC. 2022. Deep-learning based adaptive ultrasound imaging from sub-nyquist channel data. IEEE Trans Ultrason Ferroelectrics, Frequency Control 69: 1638–48.
Mamistvalov A., Eldar YC. 2021. Compressed fourier-domain convolutional beamforming for sub-nyquist ultrasound imaging. IEEE Trans Ultrason Ferroelectrics, Frequency Control 69:489–99.
Ohuchi N., Suzuki A., Sobue T., Kawai M., Yamamoto S., Zheng Y.-F., Shiono Y.N., Saito H., Kuriyama S., Tohno E. et al. 2016. Sensitivity and specificity of mammography and adjunctive ultrasonography to screen for breast cancer in the Japan Strategic Anti-Cancer Randomized Trial (J-START): A randomised controlled trial. Lancet, 387, 341–348.
Qian X., Pei J., Zheng H., Xie X., Yan L., Zhang H., et al. 2021. Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning. Nat Biomed Eng 5:522–32.
Raza A., Ullah N., Khan J.A., Assam M., Guzzo A., Aljuaid H. 2023. Deepbreastcancernet: a novel deep learning model for breast cancer detection using ultrasound images. Appl Sci 13:2082.
Song K., Feng J., Chen D. 2024. A survey on deep learning in medical ultrasound imaging. Front. Phys. 12:1398393.
Van Sloun R.J., Ye J.C., Eldar Y.C. 2021. 1 deep learning for ultrasound beamforming. arXiv preprint arXiv:2109.11431
Wang H.-Y., Jiang Y.-X., Zhu Q.-L., Zhang J., Dai Q., Liu H., Lai X.-J., Sun Q. 2012. Differentiation of benign and malignant breast lesions: A comparison between automatically generated breast volume scans and handheld ultrasound examinations. Eur. J. Radiol, 81, 3190–3200.
Wang Y., Ge X., Ma H., Qi S., Zhang G., Yao Y. 2021. Deep learning in medical ultrasound image analysis: a review. IEEE Access 9:54310–24.
Xu Y., Wang Y., Yuan J., Cheng Q., Wang X., Carson P.L. 2019. Medical breast ultrasound image segmentation by machine learning. Ultrasonics 91:1–9.
Zhang B., Li Z., Hao Y., Wang L., Li X., Yao Y. 2025. A review of lightweight convolutional neural networks for ultrasound signal classification. Front. Physiol. 16:1536542.
Просмотров аннотации: 0
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2025 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
