一个知识可解释的多任务学习框架,用于在超声视频中自动诊断甲状腺结节的超声视频

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:

• 超声波是甲状腺结节诊断的主要方法,因为它的可访问性和安全性.
• 甲状腺结节的计算机辅助诊断 (CAD) 正在获得吸引力,但面临着静态图像或不透明模型的局限性.
• 现有的CAD系统通常在现实世界诊断工作流程中难以解释和概括.

研究的目的:

• 开发一个用户友好的,可解释的CAD框架,用于从超声波视频中自动诊断甲状腺结节.
• 模拟放射科医生的诊断工作流程,以提高准确性和临床相关性.
• 通过使用时间视频分析来提高甲状腺结节分类的效率和通用性.

主要方法:

• 开发了一个由两部分组成的框架:基于图像的TI-RADS分数解释和视频序列的时间建模.
• 框架智能图像分析结合了先前的知识来生成嵌入式表示.
• 一种序列建模方法选择性地增强了时间信息,以改善结节恶性瘤的分类.

主要成果:

• 与现有的最先进的视频分类方法相比,拟议的框架显示出更高的性能.
• 该系统提供了可解释的结果,帮助放射科医生理解诊断预测.
• 该方法在分类甲状腺结节方面提高了效率和通用性.

结论:

• 开发的CAD框架为超声视频中甲状腺结节自动诊断提供了一个有前途的工具.
• 这项技术可以帮助放射科医生,减少诊断工作量,并可能改善患者护理.
• 该框架的可解释性增强了对甲状腺成像AI的信任和临床采用.