一个具有局部-全球特征相互作用和多个瘤区域指导的多任务变压器,用于乳腺癌诊断

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:

• 乳腺癌仍然是一个重要的全球健康问题,发病率和死亡率很高.
• 准确解释乳房超声波图像对于早期诊断至关重要,但需要广泛的医生专业知识.
• 当前的深度学习模型经常单独处理细分和分类,缺少关键的诊断信息.

研究的目的:

• 开发一个先进的多任务深度学习网络,用于同时进行乳腺瘤细分和分类.
• 从超声波图像中有效地整合本地和全球特征.
• 为了利用特定的瘤区域,提高诊断准确度.

主要方法:

• 一个双流编码器 (CNN和变压器) 设计用于层次的本地-全球特征交互和融合.
• 实施了多瘤区域指导模块,以捕捉瘤区域内的非局部依赖.
• 该网络在两个乳房超声波数据集上进行了培训和评估.

主要成果:

• 与最先进的方法相比,拟议的网络在瘤细分和分类任务中表现出卓越的性能.
• 在外部验证数据集上,诊断准确度从73.64%提高到80.21%.
• 在未见的数据上展示了强大的概括能力.

结论:

• 开发的多任务网络有效地整合了本地和全球特征,以进行增强的乳腺瘤分析.
• 多瘤区域指导模块为分类提供了有价值的可解释线索.
• 这种方法为自动化乳房超声波解释和诊断提供了有希望的进步.