A combined UNet++ and LSTM approach for breast ultrasound image segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breast cancer is one of the most common causes of death among women worldwide. This underscores the critical importance of early detection and accurate segmentation of tumors. Deep learning techniques, particularly UNet and UNet++ architectures, have shown remarkable performance in segmenting breast ultrasound images. However, these models do not capture the temporal features in the images. To address this limitation, this study introduces a novel hybrid architecture that combines the encoder–decoder structure of UNet++ with long short-term memory (LSTM) networks to integrate both spatial and temporal features effectively. Additionally, a multi-scale feature extraction module and self-attention mechanisms have been embedded to enable hierarchical feature fusion for capturing richer contextual information. The proposed end-to-end segmentation pipeline was rigorously evaluated using the BUSI with GT dataset; a publicly available dataset of ultrasound-based breast cancer images with corresponding ground truth masks. The model achieved outstanding performance, with an Accuracy of 98.88%, Specificity of 99.53%, Precision of 95.34%, Sensitivity of 91.20%, F1-Score of 93.74%, and Dice coefficient of 92.74%. These results represent a promising improvement over existing methods, suggesting that the proposed approach could serve as a valuable tool within clinical workflows. This study proposes a model called UNet++ + LSTM for the segmentation. As a modified network of Unet++, the model is mainly composed of three parts: a multi-scale feature extraction module, an attention block, and a multi-task learning module. Additionally, This model can process high-frequency local information to improve segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle