Desenvolvendo uma arquitetura aprimorada baseada em UNet para segmentação de tumores mamários em imagens de ultrassom

A imagem de ultrassom é uma modalidade de imagem poderosa para diagnosticar tumores mamários devido à sua natureza não invasiva, capacidades de imagem em tempo real e ausência de radiação ionizante. A imagem de ultrassom apresenta certas limitações que podem dificultar a detecção de massas em comparação com outras modalidades de imagem. Portanto, a segmentação de imagens de ultrassom mamário é uma tarefa crucial e desafiadora em sistemas de diagnóstico auxiliado por computador (CAD). O aprendizado profundo (DL) revolucionou a segmentação de imagens médicas. Entre os modelos de DL, a arquitetura UNet é amplamente utilizada por seu desempenho excepcional. Este estudo avalia a eficácia de filtros de afiação e mecanismos de atenção entre o decodificador e o codificador em modelos UNet para segmentação de ultrassom mamário. Combinando Sharp UNet e Attention UNet, propomos uma abordagem nova chamada Parallel Sharp Attention UNet (PSAUNet). Um conjunto de dados público de 780 casos foi utilizado neste estudo. Os resultados são promissores para o método proposto, com o coeficiente de Dice e a pontuação F1 de 0,93 e 0,94, respectivamente. Os resultados de McNemar mostram que nosso modelo proposto supera os designs anteriores nos quais nosso modelo se baseia. Além de introduzir uma nova rede, este estudo destaca a importância da otimização e ajuste fino na melhoria dos modelos de segmentação baseados em UNet. Os resultados oferecem potenciais melhorias no diagnóstico e planejamento de tratamento do câncer de mama por meio de técnicas de segmentação de imagens médicas mais precisas e eficientes.