TaiChiNet:负-正交叉注意网络用于超声波图像中的乳腺损伤细分

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 乳腺病变细分对于计算机辅助乳腺癌诊断至关重要.
• 当前的深度学习模型通常不充分利用正常的背景信息,可能会增加假阳性.
• 复杂的模型通常侧重于前景病变或同时挖掘前景和背景模式.

研究的目的:

• 为乳腺损伤细分提出一种新的双边增强方法.
• 推出TaiChiNet,一个负-正交叉注意网络,以提高细分性能.
• 利用正常背景未充分利用的潜力来减少错误阳性.

主要方法:

• 开发了TaiChiNet,这是一个基于交叉注意力的负正常背景和正前景损伤路径的网络.
• 实现了深层特征的交叉注意模块,浅层特征的补充MLP头,以及相互学习监督的补充损失.
• 制定了乳腺病变细分,作为前景病变和正常背景之间的相互监督任务.

主要成果:

• 在使用轻量级架构的两种乳腺损伤细分数据集上,TaiChiNet表现出有效性.
• 与现有方法相比,拟议的方法实现了较好的细分性能.
• 广泛的实验表明,TaiChiNet对甲状腺结节和视网膜光杯/光盘细分的潜在适用性.

结论:

• 泰奇网通过考虑病变和正常背景,为乳腺病变细分提供了一种新且有效的方法.
• 双边增强战略和相互监督框架有助于提高医疗图像细分的准确性和减少虚假阳性.
• 该网络的架构显示出在医学图像分析中超越乳腺癌诊断的更广泛应用的前景.