在乳腺异常分类中加强转移学习的注意引导删除.
Adarsh Bhandary Panambur1,2, Sheethal Bhat3,4, Hui Yu4
1Siemens Healthineers, Karl Heinz Kaske Str. 5, 91052, Erlangen, Bayern, Germany. adarsh.bhandary.panambur@fau.de.
International journal of computer assisted radiology and surgery
|January 15, 2025
概括
通过提高深度学习模型,注意引导式除 (AGE) 提高了乳腺癌查. 这种数据增强技术提高了乳房镜任务的分类性能,有助于早期诊断.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 机器学习用于癌症检测
背景情况:
- 乳腺癌是全球主要的健康问题,强调需要先进的查和诊断工具.
- 精确的乳房异常分类在乳房镜中对于及时干预和改善患者结果至关重要.
- 转移学习和数据增强是提高医疗图像分析中的深度学习模型性能的关键策略.
研究的目的:
- 评估新的注意力引导删除 (AGE) 数据增强技术的有效性和通用性.
- 评估AGE对各种转移学习分类任务的影响,以检测乳腺异常在乳房摄影中.
- 调查自主监督学习 (DINO) 在医疗成像中指导数据增强的实用性.
主要方法:
- 来自DINO自主监督预训的注意力头部可视化被用来识别感兴趣的区域 (ROI).
- 在转移学习过程中,AGE技术在训练图像中随机删除了非必不可少的背景信息.
- AGE在五项任务中进行了评估:乳腺密度 (DM),恶性瘤 (CEM),化 (SFM),质量 (SFM) 和ROI恶性瘤 (CEM).
主要成果:
- AGE显著提高了分类性能,在五项任务中的四项中,平均F1分数在统计学上显著提高.
- 在乳腺密度分类 (2%) 和CEM恶性瘤分类 (1.5%) 中观察到显著的性能增加.
- 在化分类 (0.4%和0.6%) 中出现了微小的改善,在质量分类中获得了微小的收益,这表明需要针对特定任务进行优化.
结论:
- 注意引导删除 (AGE) 是一项有效的数据集和任务特定增强策略,用于医学成像.
- AGE提高了深度学习模型的下游分类性能,特别是视觉转换器 (ViT),用于乳房分析.
- 自主监督学习与数据增强的整合显示了改善乳腺癌查准确性的重大前景.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
