Resumen

En este trabajo, investigamos la clasificación de tumores microscópicos utilizando imágenes de mamografía digital completa. En primer lugar, para abordar las deficiencias de los métodos tradicionales de segmentación de imágenes, se diseñan dos métodos diferentes de aprendizaje profundo para lograr la segmentación de los fibromas uterinos. El modelo de laboratorio profundo se utiliza para optimizar la información detallada del borde de la lesión mediante el algoritmo de convolución vacía y CRF totalmente conectado, y las dos redes de segmentación semántica se comparan para obtener los mejores resultados. El modelo de segmentación de casos Mask RCNN se utiliza para extraer eficazmente características a través de la estructura ResNet, combinada con la red RPN para lograr un uso eficaz y la fusión de características, y optimizar continuamente el entrenamiento de la red para lograr una segmentación fina del área de la lesión, y demostrar la precisión y la viabilidad de los dos modelos en la segmentación de imágenes médicas. Se utilizó la histopatología para obtener las puntuaciones de ER, PR, HER y los valores porcentuales de Ki-67 de todas las pacientes. Se utilizó el método de Kaplan-Meier para la estimación de la supervivencia, la prueba Log-rank para el análisis de un solo factor y la regresión de riesgos proporcionales de Cox para el análisis multifactorial. Se calculó el valor pronóstico de cada factor, así como los factores que afectaban a la supervivencia sin progresión. Este estudio se realizó para comparar las características de imagen y el valor diagnóstico de la mamografía y la ecografía Doppler en color en la mastitis inespecífica, mejorar la comprensión de las características de imagen de la mastitis inespecífica en estos dos exámenes, mejorar la precisión del diagnóstico de este tipo de enfermedad, mejorar la capacidad de distinguirla del cáncer de mama y reducir la tasa de diagnósticos erróneos.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:características de imagen, mastitis inespecífica, diferentes métodos de aprendizaje profundo, imágenes de mamografía digital completa, métodos tradicionales de segmentación de imágenes, valores porcentuales de Ki-67, modelo de segmentación de casos, ultrasonografía Doppler color, modelo de laboratorio profundo, segmentación de imágenes médicas.
• Keywords:imaging characteristics, nonspecific mastitis, different deep learning methods, full digital mammography images, traditional image segmentation methods, Ki-67 percentage values, case segmentation model, colour Doppler ultrasonography, deep lab model, medical image segmentation