在超声波图像上使用辅助基于注意力的框架对乳腺质量的关节定位和分类

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 机器学习用于诊断.

背景情况:

• 具有共享网络的多任务学习 (MTL) 模型对于乳腺病变的定位和分类是常见的.
• 共享架构可能导致信息冲突,并导致单个任务的性能不足.
• 完全监督的方法需要大量的数据注释,这对临床应用构成了挑战.

研究的目的:

• 为乳房超声波图像开发一种新的关节定位和分类模型.
• 解决MTL中的信息共享冲突,减少数据注释负担.
• 为了提高诊断准确度,利用注意力机制和半监督学习.

主要方法:

• 提出了一个病变意识网络,具有多个注意模块,用于增强病变本地化.
• 实现了基于注意力的分类器,以关联本地化和分类任务.
• 为了高效的模型培训,利用了两阶段的连续半监督学习策略.
• 设计了一个不对称和模块化架构,以实现可适应的组件集成.

主要成果:

• 在两个不同的乳房超声波数据集上证明了拟议方法的有效性.
• 在损伤定位和分类任务中实现了更好的性能.
• 通过半监督学习,显示了对注释数据的需求大幅减少.
• 提供了对影响模型性能因素的全面分析.

结论:

• 提出的基于注意力的,半监督的MTL框架有效地改善了乳腺病变在超声波图像上的定位和分类.
• 这种新的方法减轻了信息共享冲突,并大大减少了对注释的依赖.
• 可适应的架构允许在各种医学成像场景中灵活应用.