弱监督的损伤检测和乳腺癌的诊断,使用部分注释的超声图像

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:

• 深度学习 (DL) 增强了乳腺癌的基于超声波的计算机辅助诊断 (CAD).
• 目前的DL方法需要广泛的手册注释来检测和诊断病变.
• 粗或低于最佳的兴趣区域 (ROI) 标签可能会限制CAD模型的性能.

研究的目的:

• 开发一种弱监督学习方法,以提高基于超声波的乳腺癌CAD的诊断准确度.
• 为了解决粗略的手册注释在培训中的局限性,用于乳腺癌检测和诊断的DL模型.

主要方法:

• 提出了一个新的双阶段检测和诊断网络 (TSDDNet),利用弱监督学习.
• 实施了候选选择机制,以完善手动ROI,并为部分注释图像生成伪ROI.
• 开发了一个端到端框架的聚变网络,并采用了自蒸策略进行联合优化.

主要成果:

• TSDDNet将最初粗的ROI标签改进为更准确的伪ROI.
• 更新后的培训套件与精致的标签增强了第二阶段的培训.
• 具有自蒸的最终融合网络在病变检测和诊断任务中实现了卓越的性能.

结论:

• 通过解决注释限制,TSDDNet有效地提高了基于超声波的乳腺癌CAD的诊断准确性.
• 拟议的方法显示了增强乳腺癌诊断的有前途的应用潜力.
• 低监督学习与ROI提炼为提高CAD系统性能提供了可行的解决方案.