在超声波检查视频序列中自我监督的增强甲状腺结节检测,具有多视角评估

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 超声波技术的超声波技术

背景情况:

• 通过超声波检测甲状腺结节至关重要,但手动方法耗时且主观.
• 目前用于超声波图像的机器学习方法受到低信号噪声比和较差的组织对比度的限制.

研究的目的:

• 开发一个基于视频的深度学习模型,用于准确和实时检测甲状腺结节.
• 利用超声视频中的时间上下文来克服基于图像的方法的局限性.
• 引入自我监督的学习方法,以减少对广泛的医学图像注释的需求.

主要方法:

• 提出了一种基于视频的深度学习模型,具有相邻感知 (AFP),用于从超声视频中汇总上下文特征.
• 一个补丁规模的自我监督模型 (PASS) 被开发和训练在未标记的数据,以提高AFP模型的性能.
• 这些模型被训练并使用92个超声波视频 (23,773) 的数据集进行评估.

主要成果:

• 据报道,AFP模型在50%的交叉点 (AP@50) 上的平均精度从0.256提高到0.390.
• 通过PASS增强的AFP模型进一步提高了AP@50到0.425.
• 无论是AFP还是PASS,在各种评估视角上都显示出性能改善.

结论:

• 拟议的基于视频的模型有效地减轻了与超声波成像中的低信号噪声比和组织对比度相关的挑战.
• 结合相邻图像感知和自我监督学习,可实现准确的,实时的甲状腺结节检测.
• 废除实验证实了AFP和PASS模型对于增强甲状腺结节识别的有效性.