ذكاء اصطناعي طبيرؤية الحاسوب⭐ مميز

تجزئة صور الموجات فوق الصوتية لسرطان الثدي

معيار قياسي لـ 9 بنى تجزئة على 780 صورة BUSI. DeepLabV3+ في المقدمة بـ Dice 0.7863، IoU 0.6483. FCN → SimpleUNet → SegNet → Attention-UNet → TransUNet → ResNet34-UNet → EfficientNet-UNet → DeepLabV3+ → Swin-UNet.

عرض على كاغل

0.7863

Best Dice (DeepLabV3+)

0.6483

Best IoU

Architectures tested

780 images

Dataset size

مجموعة البيانات

780 صورة موجات فوق صوتية للثدي (437 حميدة، 210 خبيثة، 133 طبيعية)

المنهجية

معيار قياسي لـ 9 بنى: مشفرات كلاسيكية → محول (TransUNet) → ASPP (DeepLabV3+)

المكدس التقني

PythonPyTorchsegmentation_models_pytorchtimmAlbumentationsCUDA Tesla T4

الكلمات المفتاحية

U-NetDeepLabV3+ASPPSegmentationPyTorchMedical Imaging

المرئيات7 مخططات

التعمق

معيار قياسي شامل لـ 9 بنى تجزئة على مجموعة بيانات BUSI (صور الموجات فوق الصوتية للثدي).

مجموعة البيانات

◂780 صورة: 437 حميدة / 210 خبيثة / 133 طبيعية (طبقية حسب الفئة)
◂التقسيم: 585 تدريب / 117 تحقق / 78 اختبار
◂المعالجة المسبقة: تغيير الحجم 256×256، تضخيم Albumentations (مرونة، إضاءة، قلب أفقي)
◂الخسارة: 50/50 BCE + Dice مدمجتان

معيار البنى

النموذج	المعاملات	Dice	IoU	النوع
FCN	—	0.4822	—	خط أساس دلالي
SimpleUNet	31M	0.7030	0.5424	مشفر-فك تشفير معياري
SegNet	7M	0.6725	—	فك تشفير pooling-index
Attention UNet	31M	0.6964	—	بوابات انتباه على skip
TransUNet	124M	0.6663	—	مشفر ViT + فك تشفير CNN
EfficientNet-UNet	20M	0.7241	0.5683	مشفر EfficientNet-B4
ResNet34-UNet	24M	0.7837	0.6440	مشفر ResNet مدرب مسبقاً
DeepLabV3+	27M	0.7863	0.6483	ASPP متعدد المقاييس
Swin-UNet	مرتفع	—	—	قائم على المحول

إعداد التدريب

◂30 حقبة، AdamW + cosine annealing LR
◂دقة مختلطة (AMP)، توقف مبكر
◂المقاييس: Dice، IoU، F1، الدقة، الاسترجاع (TorchMetrics)

لماذا يتفوق DeepLabV3+ يستخرج ASPP (Atrous Spatial Pyramid Pooling) بـ output_stride=16 السياق متعدد المقاييس دون انهيار مكاني — أمر بالغ الأهمية للأورام الثديية التي تتراوح بين 2-30 ملم. هذا يمنع فقدان الدقة المكانية الذي يضر المشفرات القياسية على الآفات الصغيرة.

العودة إلى المشاريع توظيفي