多任务交互学习,以精确细分和分类乳腺瘤在超声图像中的超声图像
Shenhai Zheng1,2, Jianfei Li1, Lihong Qiao1,2
1College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, People's Republic of China.
Physics in medicine and biology
|January 24, 2025
概括
这项研究引入了一种用于乳腺癌诊断的新型多任务学习网络,显著提高了瘤细分和分类准确度. 先进的深度跨任务交互增强了医学成像中的诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 由于形态变异性和超声波图像模糊性,乳腺瘤诊断面临着挑战.
- 现有的多任务系统可能无法充分利用细分和分类任务之间的关系.
研究的目的:
- 提出一个多任务学习网络,为乳腺诊断成像提供深层次的跨任务交互.
- 提高像素智能细分和乳腺瘤分类分类的性能.
主要方法:
- 一个新的多任务学习网络,整合了自我任务和交叉任务注意力机制.
- 使用功能聚合块与道注意力来减少语义差异.
- 采用循环训练策略,使用细分图来改进功能.
主要成果:
- 在BUSI和BUS-B数据集上实现了高性能.
- 细分任务产生了81.95%和86.41%的子相似系数 (DSC).
- 在分类任务中,F1得分分别为82.13%和69.01%.
结论:
- 建议的多任务交互学习有效地提高了乳腺瘤的细分和分类.
- 这种方法推进了多任务学习研究,并为改进的临床应用提供了潜力.


