利用多任务学习来应对乳房影像的劣质和缺失标签

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:

• 精确的乳腺癌查依赖于将乳房影像分类为恶性或良性.
• 临床数据往往缺乏确定的诊断,导致对计算机辅助诊断 (CADx) 系统进行标签不确定性和减少训练样本.
• 乳腺造影数据集中的标签模糊性阻碍了强大的CADx系统的开发.

研究的目的:

• 开发基于深度神经网络的分类器,通过解决乳房影像中的标签不确定性来最大限度地训练样本.
• 通过多任务学习框架,提高乳腺癌查的性能.
• 在训练深度神经网络时,将特定类别的不确定性权重纳入乳房图分析.

主要方法:

• 一个深度神经网络被设计用于多任务学习,预测恶性瘤,癌症概率,乳腺密度和图像横向性.
• 基于标签不确定性的体重训练样本引入了一种新方法,防止对模两可或缺失数据的更新.
• 该模型在公共 (INBreast) 和私人数据集上进行了评估,并使用来自苏珊·G·科门组织银行的数据进行了进一步的微调.

主要成果:

• 多任务学习方法在统计学上显著地改善了基线和最先进的方法.
• 该系统在私有数据集上实现了曲线下的面积 (AUC) 80.46%,在二进制分类的INBreast数据集上达到85.23%.
• 与临床数据的微调进一步提高了性能,展示了模型的适应性.

结论:

• 拟议的多任务学习策略有效地处理了乳腺造影数据集中的标签不确定性,增加了可用的培训样本的数量.
• 这种方法为开发更准确的CADx系统用于乳腺癌查提供了强大的解决方案.
• 该方法通过利用多个数据源和先进的深度学习技术,有望提高诊断性能.