自主监督的双头注意力引导学习网络用于通过直肠超声波图像进行前列腺癌查
Xu Lu1, Xiangjun Liu2, Zhiwei Xiao2
1Guangdong Polytechnic Normal University, Guangzhou 510665, China; Guangdong Provincial Key Laboratory of Intellectual Property & Big Data, Guangzhou 510665, China; Pazhou Lab, Guangzhou 510330, China.
Computers in biology and medicine
|September 6, 2023
概括
这项研究引入了一种新的自我监督的双头注意力引导学习网络 (SDABL),用于从超声波图像中诊断前列腺癌. 通过专注于特征图关系,SDABL方法提高了诊断准确性,减少了对手工标签的依赖.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 目前使用卷积神经网络的前列腺癌分类模型需要广泛的手动标签.
- 自主监督学习 (SSL) 是有前途的,但面临的挑战是医疗数据中的类内相似性冲突,潜在的误导性培训.
- 现有的SSL方法往往优先考虑全球图像级一致性,忽视内部特征图关系.
研究的目的:
- 开发一种高效的自我监督学习方法,用于使用超声波图像进行前列腺癌诊断.
- 通过解决当前SSL方法的局限性来改善关键诊断信息的学习.
- 提出一种新的网络架构,优化功能地图信息,以提高诊断性能.
主要方法:
- 提出了一个自我监督的双头注意力引导学习网络 (SDABL),包括在线网络和目标网络.
- 集成的自定位注意模块 (SPAM) 和自适应最大频道注意模块 (CAAM) 以有效地捕捉位置和通道间的注意.
- 修改了损失计算,以关注积极样本的嵌入一致性,避免负样本对以减轻培训问题.
主要成果:
- SDABL预训练方法在主流对比学习和其他基于注意力的方法上表现出显著的优势.
- 实验是在前列腺直肠外超声波 (TRUS) 数据集上进行的.
- 在对TRUS数据集进行微调后,SDABL预训练的骨干实现了80.46%的准确性.
结论:
- 拟议的SDABL网络有效地从超声波图像中学习关键诊断信息,以检测前列腺癌.
- 新的注意力机制和修改后的损失功能改善了医学成像自主监督学习中的特征图优化.
- SDABL为传统方法提供了一个有希望的,更高效的替代方案,减少了对大量手动数据标签的需求.
