一般多场景超声图像瘤诊断方法基于不受监督的域调整
Lin Fan1, Xun Gong1, Ying Guo2
1School of Computing and Artificial Intelligence, Southwest Jiaotong University, Chengdu 611756, P.R. China; Engineering Research Center of Sustainable Urban Intelligent Transportation, Ministry of Education, Chengdu 611756, P.R. China; National Engineering Laboratory of Integrated Transportation Big Data Application Technology, Southwest Jiaotong University, Chengdu 611756, P.R. China; Manufacturing Industry Chains Collaboration and Information Support Technology Key Laboratory of Sichuan Province, Southwest Jiaotong University, Chengdu 611756, P.R. China.
一个新的多领域的二维特征选择网络 (FSN) 改善了超声波图像的计算机辅助诊断 (CAD). 这种方法提高了不同医学领域的分类准确性,解决了当前跨领域方法的局限性.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
- 计算机辅助诊断是一种计算机辅助的诊断.
背景情况:
- 超声波图像的计算机辅助诊断 (CAD) 面临着小数据集和域移动的挑战,导致跨域场景的性能差.
- 现有的域调整方法经常在医疗图像中失败,因为它们忽视了不同患者数据中共享的结构内容和共同特征.
研究的目的:
- 开发一个新的网络,多领域的二维特征选择网络 (FSN),旨在克服超声波图像分类在不同领域的局限性.
- 为了提高CAD系统的稳定性和适用性,用于各种医学成像条件.
主要方法:
- 拟议的二维FSN利用重建网络与共享权重从医疗图像中提取共同特征,利用它们固有的相似性.
- 敌对学习模块被用来惩罚特征域距离,对齐特征空间和选择域不变特征.
- 该网络旨在用于各种医疗图像数据集,包括乳腺,甲状腺和内镜超声波图像.
主要成果:
- 二维FSN实现了高分类准确度:乳腺82.4%,甲状腺96.4%,内镜超声波图像89.7%.
- 在使用多源超声数据进行无监督域适应任务时,该模型在各种域中显示出平均准确率为77.3%.
- 拟议的方法在跨领域分类任务中明显优于最新的域自适应方法.
结论:
- 2D FSN通过有效学习共同特征和整合多模块智能来提高多域超声数据集的分类性能.
- 开发的算法证明了显著的临床价值,改善了计算机辅助系统在各种医学成像环境中的诊断能力.
相关概念视频
Imaging Studies II: Ultrasonography
Ultrasonography
During an ultrasonography procedure, a handheld device called...


