SIFT-DBT:自主监督的初始化和微调不平衡的数字乳房托莫合成图像分类的微调

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 数字乳腺图莫合成 (DBT) 通过3D成像增强了乳腺癌查.
• 在DBT中存在显著的数据不平衡,可疑组织最小,阻碍模型性能.
• 现有的模型通常会因为数据不平衡而预测多数阶级.

研究的目的:

• 开发一种用于识别异常DBT图像的新方法.
• 为了解决DBT分析中的数据不平衡挑战.
• 使用人工智能提高乳腺癌检测的准确性.

主要方法:

• 建议使用视图级对比学习进行SIFT-DBT (自主监督的DBT初始化和微调).
• 引入了补丁级多实例学习方法,以保持空间分辨率.
• 在970个独特的DBT研究中评估了该方法.

主要成果:

• 在体积上,曲线下的面积 (AUC) 达到92.69%.
• 在DBT分析中,SIFT-DBT有效地减轻了数据不平衡问题.
• 补丁级方法保留了关键的空间分辨率,以准确检测.

结论:

• SIFT-DBT为准确的异常DBT图像识别提供了一个有希望的解决方案.
• 拟议的方法提高了AI在乳腺癌查中的性能.
• 这种方法可以导致放射学中更可靠和更有效的诊断工具.