基于深度学习的超声影像卵巢肿瘤多类别检测框架：提升诊断准确性的创新方法

为解决卵巢肿瘤超声诊断中对比度低、边界模糊等技术难题，研究人员开发了融合改进SegNet(ASPPM模块)与LinkNet+DenseNet的深度学习框架。通过同态滤波预处理和局部弧模式特征提取，该系统在70%训练数据下实现0.953的检测准确率，为临床决策提供可靠支持。

　　

卵巢肿瘤诊断面临重大挑战，超声影像虽具无创优势，却受限于低对比度和斑点噪声。这项研究构建了创新性的深度学习框架：首先采用同态滤波增强图像质量，随后通过配备空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling Module, ASPPM)的改进版SegNet实现精准分割。特征提取阶段引入优化的局部弧模式(Local Arc patterns)算法，同时提出LinkNet与DenseNet的混合架构进行肿瘤检测。研究亮点在于采用先进的分数级融合(score-level fusion)技术整合双分类器结果，最终使系统在70%训练集条件下达到95.3%的准确率。该技术路线融合图像处理与机器学习前沿方法，为卵巢肿瘤的早期识别和分类管理提供了智能化解决方案。