深度神经网络的预先引导归因用于产科和妇科

科学领域:

• 医学成像医学成像
• 医疗保健中的人工智能
• 产科医生和妇科医生 (OB/GYN) 的服务

背景情况:

• 超声波成像在妇产科医生诊断中至关重要,但深度学习应用受到数据稀缺性和保密性的限制.
• 用于训练深度神经网络的超声波图像进行注释是资源密集的,并且往往受到限制.

研究的目的:

• 通过提出一种新的方法来解决在OB/GYN超声波中缺乏深度学习的培训数据的问题.
• 为了提高深度神经网络在医疗成像任务中的性能在OB/GYN.

主要方法:

• 引入先导归因 (PGA),一种在培训阶段利用先前空间信息的方法.
• 开发一种新的预先分配策略,以整合多个空间优先级,同时允许模型自学.
• 该方法仅在训练过程中使用额外的信息,而不是在推理过程中.

主要成果:

• 与现有方法相比,PGA在两个产科医生/妇科医生超声波任务上表现优越.
• 该方法在乳腺癌检测方面显示出一致的优异性.
• 在使用分割先前地图的扫描平面检测中也观察到有效的性能.

结论:

• 提议的先导归因 (PGA) 方法有效地克服了OB/GYN深度学习应用中的数据限制.
• PGA提供了一种可行的解决方案,用于提高医学成像诊断的准确性,特别是在产科和妇科.
• 该方法的通用性在面部分析任务上得到了验证,这表明其广泛适用性.