整合眼睛跟踪与分组融合网络,用于乳房图像上的语义细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 深度神经网络已经有了先进的医学图像细分.
• 有限的高质量的临床数据和繁的注释阻碍了模型的性能.
• 医疗数据的稀缺性限制了当前细分模型的有效性.

研究的目的:

• 引入一个新的框架,整合放射科医生眼睛跟踪数据,以增强医疗图像细分的深度学习模型,使用有限的数据.
• 为了利用视线信息作为指导网络学习的弱监督.
• 为了提高细分性能,特别是对于具有显著规模变化的类.

主要方法:

• 开发了一个分组的层次网络架构.
• 经验丰富的放射科医生的眼睛跟踪数据被整合为弱监督.
• 该框架在乳房图像上进行了评估.
• 在临床工作流程中创建了一个不引人注目的目光数据收集系统.

主要成果:

• 与最先进的模型相比,拟议的框架显示了较好的细分性能.
• 在处理具有大规模差异的细分类别时,特别注意到有效性.
• 一项强度研究证实了视线信息的影响,即使存在潜在的不准确性.

结论:

• 整合放射科医生的凝视信息提供了一种有希望的方法来增强基于深度学习的医学图像细分,特别是在数据稀缺的场景中.
• 开发的框架有效地利用来自视线数据的弱监督来提高模型的准确性和稳定性.
• 这种方法为利用专家关注提供了有价值的见解,以获得更好的临床图像分析.