一个新的深度学习模型用于乳腺瘤超声波图像分类与损伤区域感知

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:

• 多任务学习 (MTL) 对于乳腺成像分析至关重要,有助于癌症诊断和治疗计划.
• 在MTL中的共享骨干网络可能会导致信息冲突,从而对损伤分类性能产生负面影响.
• 提取更丰富的病变特征和减轻这些冲突是乳腺癌分类的关键挑战.

研究的目的:

• 提出一种新的多功能融合多任务 (MFFMT) 模型,用于增强乳腺癌分类.
• 改进提取本地和全球病变特征关系的方法.
• 解决典型的MTL架构中固有的信息共享冲突.

主要方法:

• 开发了一个上下文损伤增强感知 (CLEP) 模块,集成道注意力和空间位置信息,用于全面的特征提取.
• 引入了多特征融合 (MFF) 模块,以区分病变特异性和语义特征,同时增强共同点.
• 在两个公共乳房超声波成像数据集上验证了MFFMT模型.

主要成果:

• 拟议的MFFMT模型在乳腺损伤感知和分类任务中表现出有效性.
• 在CLEP模块成功地捕获了损伤区域内的复杂的本地和全球特征关系.
• 多年框架模块有效地区分了损伤特征和语义特征,改善了整体分类.

结论:

• 新的MFFMT模型,包括CLEP和MFF模块,显著提高了乳腺癌分类的准确性.
• 该方法有效地解决了医疗成像应用中MTL中的信息共享冲突.
• 进一步的分析提供了对模型的操作机制和性能因素的见解.