DSMT-Net:双自主监督多操作员转换,用于多源内镜超声波诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 胰腺癌的预后很差,EUS图像分析受到变异性和标签挑战的阻碍.
• 深度学习模型与来自多个来源的多样化的EUS图像数据作斗争,影响诊断性能.
• 手动图像标签很费力,需要利用大型未标签数据集的方法.

研究的目的:

• 开发一个新的深度学习网络,DSMT-Net,以改善多源EUS诊断.
• 针对胰腺癌的EUS图像分析中的跨年级变异性和数据异质性.
• 为了有效地利用未标记的EUS图像用于预训练诊断模型.

主要方法:

• 提出了双自主监督的多操作员转换网络 (DSMT-Net) 来实现多来源的EUS诊断.
• 实施了多操作员转换,以标准化感兴趣的图像区域.
• 利用基于变压器的双重自我监督网络进行未标记的EUS图像的预培训.

主要成果:

• 开发了一个基于EUS的大规模胰腺图像数据集 (LEPset),包含3,500个标记图像和8,000个未标记图像.
• DSMT-Net在胰腺癌和乳腺癌的诊断准确度方面取得了显著的改善.
• 自主监督的预培训方法被证明是有效的,并可转移到监督任务.

结论:

• DSMT-Net提供了一个强大的解决方案,以克服基于EUS的癌症诊断方面的挑战.
• 拟议的方法通过标准化图像处理和利用未标记的数据来提高深度学习模型的性能.
• 这种方法具有显著的潜力,可以改善具有挑战性的癌症的早期检测和诊断.