基于多粒度域知识的可解释的双分支双坐标网络,用于在超声图像中对甲状腺结节进行分类

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:

• 甲状腺结节的计算机辅助诊断 (CAD) 面临着可靠性和解释性挑战.
• 现有的方法往往缺乏足够的临床相关证据.
• 甲状腺成像报告和数据系统 (TI-RADS) 提供了宝贵的领域知识.

研究的目的:

• 开发一种新的,可解释的甲状腺结节CAD系统.
• 通过结合多种领域知识来解决当前CAD系统的局限性.
• 为了提高人工智能驱动的甲状腺结节分类的可靠性和可解释性.

主要方法:

• 提出了一个新的可解释的双分支双坐标网络 (TB2C-net).
• 通过将TI-RADS知识转化为多粒度标签,开发了一个多粒度域知识表示 (MG-DKR).
• 利用卡特西亚图像和极地图像,并使用基于注意力的集成模块来实现特征融合.

主要成果:

• 在一个大队列 (3245名患者) 中,获得了0.93的曲线下面面积 (AUC) 和0.87的精度 (ACC).
• 通过废除实验验验证了TB²C-net和MG-DKR的有效性.
• 通过集成模块的知识注意力图来证明可解释性.

结论:

• 拟议的TB²C-net与MG-DKR提供了一种可靠和可解释的解决方案,用于计算机辅助诊断甲状腺结节.
• 多种领域知识的整合显著提高了诊断性能.
• 注意地图为该模型的良性-恶性分类决策过程提供了关键的见解.