Diagnostics：人工智能在乳腺病变诊断中的应用高引文章精选 | MDPI 编辑荐读

点击左上角“MDPI医药学”关注我们，为您推送更多最新资讯。

据世界卫生组织最新数据，乳腺癌已取代肺癌成为全球第一大肿瘤疾病。乳腺癌也是女性最常见的癌症之一，对妇女的健康构成严重威胁。人工智能系统在乳腺病变诊断方面表现出巨大潜力，可以作为辅助系统，帮助医生作出更加准确的诊断。本期编辑荐读精选了 5 篇发表在 Diagnostics 期刊上与人工智能在乳腺病变诊断中的应用相关的高引文章，希望能为相关领域学者提供新的思路和参考，欢迎阅读。

# 01

Cloud Computing-Based Framework for Breast Cancer Diagnosis Using Extreme Learning Machine

基于云计算极限学习机的乳腺癌诊断框架研究

Vivek Lahoura et al.

https://www.mdpi.com/985994

文章亮点：

(1) 本文提出了一种使用极限学习机 (Extreme Learning Machine, ELM) 作为分类器，并基于云计算的乳腺癌诊断框架，其有利于乳腺癌的诊断。

(2) 云计算相较于独立平台，能提供更高的准确性和减少执行时间。

(3) ELM 的主要优点是不需要调整权重和偏差等参数，这使其比其他基于梯度的学习算法都更快、更简单。

识别二维码

阅读英文原文

原文出自 Diagnostics 期刊

Lahoura, V.; Singh, H.; Aggarwal, A.; Sharma, B.; Mohammed, M.A.; Damaševičius, R.; Kadry, S.; Cengiz, K. Cloud Computing-Based Framework for Breast Cancer Diagnosis Using Extreme Learning Machine. Diagnostics 2021, 11, 241.

# 02

The Utility of Deep Learning in Breast Ultrasonic Imaging: A Review

深度学习在乳腺超声成像中的应用综述

Tomoyuki Fujioka et al.

https://www.mdpi.com/915290

文章亮点：

(1) 深度学习是一种强大、高效、高度准确的工具，其在乳腺超声成像中具有广阔应用前景，可节省时间，减缓放射科医生的疲劳，并在某些情况下弥补医生经验和技能的不足。

(2) 本综述讨论了乳腺超声深度学习的基本技术知识和算法，以及深度学习技术在图像分类、对象检测、分割和图像合成中的应用。

(3) 本文讨论了深度学习技术在乳腺超声中当前存在的问题和未来的运用前景。

识别二维码

阅读英文原文

原文出自 Diagnostics 期刊

Fujioka, T.; Mori, M.; Kubota, K.; Oyama, J.; Yamaga, E.; Yashima, Y.; Katsuta, L.; Nomura, K.; Nara, M.; Oda, G.; Nakagawa, T.; Kitazume, Y.; Tateishi, U. The Utility of Deep Learning in Breast Ultrasonic Imaging: A Review. Diagnostics 2020, 10, 1055. 

# 03

Fully Automated Breast Density Segmentation and Classification Using Deep Learning

使用深度学习实现全自动乳腺密度分割和分类

Nasibeh Saffari et al.

https://www.mdpi.com/899202

文章亮点：

(1) 本文提出了一个卷积神经网络 (Convolutional Neural Network, CNN)，以基于乳房成像报告和数据系统 (Breast Imaging-Reporting and Data System, BI-RADS) 的标准化对乳房 X 光片进行分类。

(2) 本文提出的基于深度学习的技术可形成一种临床上有效的计算机辅助工具，用于通过数字乳房摄影术进行乳房密度分析。

(3) 本研究中提出的方法与放射科医生手动分类具有很强的正相关性，并且与文献中报告的相关系数具有竞争力。

识别二维码

阅读英文原文

原文出自 Diagnostics 期刊

Saffari, N.; Rashwan, H.A.; Abdel-Nasser, M.; Kumar Singh, V.; Arenas, M.; Mangina, E.; Herrera, B.; Puig, D. Fully Automated Breast Density Segmentation and Classification Using Deep Learning. Diagnostics 2020, 10, 988. 

# 04

Classification of Breast Cancer Lesions in Ultrasound Images by Using Attention Layer and Loss Ensemble in Deep Convolutional Neural Networks

利用深度卷积神经网络中的注意力层和损失集对超声成像中的乳腺癌病变进行分类

Elham Yousef Kalafi et al.

https://www.mdpi.com/1305520

文章亮点：

(1) 乳腺超声图像为乳腺癌诊断提供了一种高性价比的方法。诊断的准确性受多种因素影响，而深度卷积神经网络方法为乳腺超声图像的有效分析提供了有效解决方案。

(2) 本文提出了一个新的乳腺癌病变分类框架 (改进的 VGG16 架构中的注意力模块) 和一种新的综合损失函数 (二进制交叉熵和双曲余弦损失的对数的组合)。

(3) 本研究表明，损失函数的选择非常重要，在乳腺病变分类任务中起着关键作用。此外，通过添加注意力块，可以进一步提高模型的性能。         

识别二维码

阅读英文原文

原文出自 Diagnostics 期刊

Kalafi, E.Y.; Jodeiri, A.; Setarehdan, S.K.; Lin, N.W.; Rahmat, K.; Taib, N.A.; Ganggayah, M.D.; Dhillon, S.K. Classification of Breast Cancer Lesions in Ultrasound Images by Using Attention Layer and Loss Ensemble in Deep Convolutional Neural Networks. Diagnostics 2021, 11, 1859.

# 05

Dilated Semantic Segmentation for Breast Ultrasonic Lesion Detection Using Parallel Feature Fusion

基于并行特征融合的乳腺超声病变检测的扩展语义分割

Rizwana Irfan et al.

https://www.mdpi.com/1177248

文章亮点：

(1) 本研究采用扩张语义分割网络 (Dilated Semantic Segmentation Network, Di-CNN) 结合形态学侵蚀操作，对超声乳腺病变图像进行分割。

(2) 为了对乳腺结节进行分类，本研究对从 DenseNet201 和 24 层 CNN 获得的特征向量进行融合。

(3) 特征向量与 SVM (支持向量机) 的融合版本的准确率为 98.9%，优于其他算法。与最近的算法相比，本文提出的算法拥有更好的乳腺癌诊断率。

识别二维码

阅读英文原文

原文出自 Diagnostics 期刊

Irfan, R.; Almazroi, A.A.; Rauf, H.T.; Damaševičius, R.; Nasr, E.A.; Abdelgawad, A.E. Dilated Semantic Segmentation for Breast Ultrasonic Lesion Detection Using Parallel Feature Fusion. Diagnostics 2021, 11, 1212. 

精选特刊

✦ 

1. AI and Medical Imaging in Breast Disease

Edited by Karen Drukker et al.

Submission Deadline: 31 December 2022

https://www.mdpi.com/si/103260

识别左侧二维码，

了解特刊详情。

2. Artificial Intelligence in Cancers

Edited by Jasjit S. Suri and Sanjay Saxena

Submission Deadline: 31 January 2023

https://www.mdpi.com/si/131605

识别左侧二维码，

了解特刊详情。

3. Medical Data Processing and Analysis

Edited by Wan Azani Mustafa and Hiam Alquran

Submission Deadline: 30 April 2023

https://www.mdpi.com/si/144590

识别左侧二维码，

了解特刊详情。

     Diagnostics 期刊介绍

主编：Andreas Kjaer, University of Copenhagen, Denmark

期刊涵盖医学诊断各个方面的研究成果，刊载研究论文、综述及短讯，鼓励学者发表详细的实验和理论结果。

2021 Impact Factor	3.992
2021 CiteScore	2.4
Time to First Decision	17.5 Days
Time to Publication	35 Days

识别二维码，

订阅 Diagnostics 期刊最新资讯。

往期回顾

视频号

扫码关注

MDPI开放数字出版视频号

文案审校：吴悠

版权声明：

*本文由MDPI中国办公室编辑翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，于公众号后台留言咨询。

由于微信订阅号推送规则更新，建议您将“MDPI医药学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！

点击左下方“阅读原文”，进入期刊主页。

喜欢今天的内容？不如来个 "三连击" ☞【分享，点赞，转发】