邻居网:学习图像内部和图像间的像素邻居表示,用于乳腺损伤细分

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
• 人工智能的人工智能

背景情况:

• 在超声波图像中精确的乳腺病变细分对于计算机辅助乳腺癌诊断至关重要.
• 结合CNN和注意力斗争的现有方法由于独立的特征提取,具有模糊的边界和不规则的形状.
• 目前的基于变压器的方法在单个图像中限制了全球信息捕获,忽视了跨图像的语义关系.

研究的目的:

• 开发一种灵活的方法,在图像内和图像之间整合全球和本地背景,以改善乳腺损伤细分.
• 解决现有模型中独立特征提取和有限的交叉图像信息的局限性.
• 增强病变形态和边界的建模,特别是在不规则形状和模糊边缘的情况下.

主要方法:

• 提出了NeighborNet,这是一个用于自适应上下文表示的像素邻居表示学习方法.
• 引入了两个邻居层,以调查邻居数和分布属性.
• 允许NeighborNet根据像素级特征要求自适应地演变为变压器或CNN结构.

主要成果:

• 在三个不同的超声波数据集上,NeighborNet展示了最先进的性能.
• 该方法有效地处理不规则的病变形态和模糊的边界.
• 全球和本地环境的灵活整合提高了细分精度.

结论:

• 在超声波成像中,NeighborNet为乳腺病变细分提供了一种强大而适应性的方法.
• 拟议的方法通过灵活整合多层次的上下文信息来克服以前技术的局限性.
• 邻居网显示了推进计算机辅助乳腺癌诊断的巨大潜力.