ManiNeg:为乳房扫描查提供以现象为导向的多模式预培训

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 乳腺癌是一个全球性的健康问题,需要先进的查工具.
• 对比式学习有效地从乳腺癌分析的乳房影像中提取病变特征.
• 硬负取样在对比性学习中对于详细的病变信息至关重要,但标准方法与乳房扫描数据扎.

研究的目的:

• 介绍ManiNeg,一种用于选择硬负样本的新方法,用于进行乳房检查的对比学习.
• 为了利用医生观察到的表现,作为有效的硬负样本选择的代理.
• 通过增强的特征表示,提高区分良性和恶性乳腺块的准确性.

主要方法:

• 开发了ManiNeg,一种使用表现的方法来识别对比学习中的硬负样本.
• 应用ManiNeg对乳房扫描数据进行特征提取和表示学习.
• 测试了ManiNeg在乳腺癌检测的单模和多模环境中的有效性.
• 创建并使用了MVKL乳房学数据集,包括多视图图像,报告,注释表现和确认结果.

主要成果:

• ManiNeg在单模和多模环境中显著改善了表示学习.
• 这种方法提高了数据集的性能,超出了最初的预训练阶段.
• ManiNeg在区分良性和恶性乳腺块方面表现出有效性.

结论:

• 马尼尼格提供了一种强大而有效的方法,用于使用表现的乳房影像中的硬阴性采样.
• 这种方法增强了用于乳腺癌查的对比学习,提高了诊断准确度.
• 公共可用的MVKL数据集和代码将促进人工智能驱动的乳房镜的未来研究.