在超声波图像中进行病变细分的高效框架,使用全球对抗性学习和区域不变损失

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:

• 超声波图像中的损伤细分对于早期癌症诊断至关重要,但由于病变特征的变化而具有挑战性.
• 目前基于卷积神经网络 (CNN) 的方法经常与远程依赖和先前信息扎,限制了形状,大小,位置和纹理不确定的病变的准确性.

研究的目的:

• 开发一种用于超声波图像的新病变细分框架,以改善捕获全球病变特征和不变特征.
• 为了提高自动化病变细分的准确性和稳定性,特别是对于形状不规则和尺寸小的病变.

主要方法:

• 一个新的框架,采用对抗性学习与基于自我注意力的区分器来引导细分模型学习全球损伤特征.
• 整合一个区域不变损失函数,以强制关注不变特征,解决超声波病变中的纹理变化.
• 在内部乳房超声波 (BUS) 和公共乳房病变 (BUS B) 和甲状腺结节数据集上的验证.

主要成果:

• 与最先进的方法相比,拟议的方法取得了更高的性能,在测试数据集上,Dice得分为0.931,0.906和0.876.
• 已证明适用于超声波图像中的病变细分,特别是涉及不规则形状和小尺寸的具有挑战性的病例.
• 该框架有效地提供了关键的损伤特征信息,以改善细分.

结论:

• 新的病变细分框架显著提高了用于癌症检测的超声波图像自动分析的准确性和可靠性.
• 该方法捕获全球信息和不变特征的能力使其成为临床应用的宝贵工具,有助于早期和精确的癌症诊断.
• 这种方法有望增强当前的病变细分模型,以更好地满足临床要求.