DIFLF:一个域不变的特征学习框架,用于单源域概括在乳腺造影分类中的域
Wanfang Xie1, Zhenyu Liu2, Litao Zhao1
1School of Engineering Medicine, Beihang University, Beijing 100191, PR China; Key Laboratory of Big Data-Based Precision Medicine (Beihang University), Ministry of Industry and Information Technology of the People's Republic of China, Beijing 100191, PR China.
Computer methods and programs in biomedicine
|January 15, 2025
概括
这项研究引入了一个新的框架,用于单源域概括 (SSDG) 在深度学习模型中用于乳腺癌查. 拟议的方法有效地减少了域位的转移,改善了对未见数据集的模型性能.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 机器学习用于医疗保健
背景情况:
- 对于乳腺癌查的深度学习 (DL) 模型面临的挑战是,由于领域的转变,它在不同机构中普遍化.
- 单源域泛化 (SSDG) 旨在在一个数据集上训练模型,并将其应用于多个未见的数据集.
- 在临床DL应用中,仅使用一个源数据集来缓解域转移是一个重大挑战.
研究的目的:
- 为单源域泛化提出一个域不变特征学习框架 (DIFLF).
- 提高DL模型在乳腺癌查中的稳定性和通用性.
- 为了减少领域转移对乳腺造影分类任务的影响.
主要方法:
- 开发了一个域不变特征学习框架 (DIFLF),包括一个风格增强模块 (SAM) 和一个内容风格解模块 (CSDM).
- SAM利用颜色变换来增加功能多样性并减少模型过拟合.
- CSDM使用特征解单元来提取域不变的内容特征,最大限度地减少域特定风格的影响.
主要成果:
- 在不同特征分布的未见数据集 (PRI2,INbreast,MIAS) 上,DIFLF在分类乳房影像方面表现出色.
- 获得了高精度和AUC分数,包括PRI2上的0.917精度和0.928AUC,INbreast上的0.882精度和0.893AUC,MIAS上的0.767精度和0.710AUC.
- 该框架有效地减轻了域名转移的影响,即使特征分布存在显著差异.
结论:
- 拟议的DIFLF有效地减轻了使用单一源数据集的域名转移.
- DIFLF在未见的数据集上实现了出色的乳房镜分类性能,包括具有显著特征分布差异的数据集.
- 该框架显示了在临床乳腺癌查中强大的和可泛化的DL应用的前景.
