초록 본 연구의 주요 목표는 유방 초음파(BUS) 및 유방 촬영 이미지에서 종양 영역을 식별하고 구분할 수 있는 알고리즘을 개발하는 것입니다. 이 기법은 종양 분할을 위해 U-Net 및 사전 훈련된 SAM이라는 두 가지 첨단 딥 러닝 아키텍처를 사용합니다. U-Net 모델은 의료 이미지 분할에 특히 설계되었으며, 입력 이미지에서 의미 있는 특징을 추출하기 위해 심층 합성곱 신경망 프레임워크를 활용합니다. 한편, 사전 훈련된 SAM 아키텍처는 공간 종속성을 캡처하고 분할 결과를 생성하는 메커니즘을 통합합니다. 평가에는 양성과 악성 종양을 포함한 BUS 및 유방 촬영 이미지의 주석이 추가된 다양한 데이터 세트가 사용되며, 이는 알고리즘의 성능을 서로 다른 종양 유형에 따라 종합적으로 평가할 수 있게 합니다. 결과적으로 U-Net 모델이 BUS 및 유방 촬영 이미지 모두에서 종양 영역을 정확하게 식별하고 분할하는 데 있어 사전 훈련된 SAM 아키텍처보다 우수한 성능을 보임을 보여줍니다. U-Net은 불규칙한 형태, 불명확한 경계 및 높은 종양 이질성이 포함된 어려운 사례에서 뛰어난 성능을 발휘합니다. 반면에 사전 훈련된 SAM 아키텍처는 특히 악성 종양 및 경계가 약하거나 복잡한 형태의 객체를 정확하게 식별하는 데 한계를 보입니다. 이러한 발견은 의료 이미지 분할에 적합하게 조정된 딥 러닝 아키텍처 선택의 중요성을 강조합니다. U-Net 모델은 종양 탐지를 위한 강력하고 정확한 도구로서의 잠재력을 보여주며, 사전 훈련된 SAM 아키텍처는 분할 성능을 향상시키기 위한 추가 개선이 필요함을 시사합니다.
Ahmadi et al. (수요일), 이 문제를 연구했습니다.