基于自我监督学习的甲状腺结节超声波的识别方法是双分支注意力学习框架.
Yifei Xie1,2, Zhengfei Yang3, Qiyu Yang2
1Guangzhou Panyu Central Hospital, Guangzhou, 510006 Guangdong People's Republic of China.
Health information science and systems
|January 23, 2024
概括
一个新的双分支注意力学习 (DBAL) 框架通过卷积神经网络和拼图预训练来改善甲状腺结节的检测. 这种方法提高了通过超声波图像诊断恶性和良性甲状腺结节的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和诊断成像 放射学和诊断成像
背景情况:
- 甲状腺超声波对于结体检测至关重要,但由于图像对比度低,噪音和异质性,它面临着挑战.
- 高质量标记医疗成像数据集的有限可用性阻碍了机器学习在甲状腺超声波分析中的应用.
研究的目的:
- 提出一种新的双分支注意力学习 (DBAL) 卷积神经网络框架,用于增强甲状腺结节检测.
- 通过拼图拼图借口任务提高使用有限数据的机器学习模型的概括能力.
- 使用人工智能驱动的图像分析,准确地区分恶性和良性甲状腺结节.
主要方法:
- 开发了一个双分支注意力学习 (DBAL) 卷积神经网络框架,以捕获甲状腺超声波图像中的上下文信息.
- 在网络培训期间使用拼图题借口任务来增强有限数据的概括性.
- 使用未标记的超声图像进行自我监督的预训,然后对1216张临床超声图像进行微调.
主要成果:
- DBAL框架以全球到本地的方式有效地捕捉了内在特征.
- 在区分恶性和良性甲状腺结节方面实现了88.5%的正确诊断率.
- 在ROC曲线下获得了93.7%的面积,表明了高诊断性能.
结论:
- 拟议的DBAL框架在甲状腺结节检测和分类方面显示出显著的准确性和效率.
- 该方法通过创新的预培训策略有效地解决了医疗成像中有限的标记数据的挑战.
- 在改善甲状腺结节的诊断方面,DBAL具有有前途的临床应用潜力.
