一种多任务自我监督的方法,用于在自动化乳房超声波中进行质量检测,使用双重注意力循环残留U-Net
Poorya MohammadiNasab1, Atousa Khakbaz2, Hamid Behnam2
1School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran; Research Center for Clinical AI-Research in Omics and Medical Data Science (CAROM), Department of Medicine, Danube Private University, Krems, Austria.
Computers in biology and medicine
|February 21, 2025
概括
这项研究引入了一种新的自主监督计算机辅助检测 (CADe) 系统,用于自动化乳房超声波 (ABUS) 图像. 该系统,DATTR2U-Net,提高了质量检测的准确性,同时减少了放射科医生的工作量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要死亡原因,需要早期检测.
- 自动乳房超声波 (ABUS) 显示出前景,但由于大量数据集,为放射科医生带来了很大的工作负载.
- 现有的深度学习计算机辅助检测 (CADe) 系统在有限的数据和与错误阳性平衡准确性方面扎.
研究的目的:
- 为ABUS开发一个高效的CADe系统,以减少放射科医生的工作量并提高诊断准确度.
- 利用自主监督学习框架利用未注释的ABUS数据集.
- 为了实现高检测灵敏度,低假阳性率.
主要方法:
- 一个与3D卷积神经网络 (DATTR2U-Net) 集成的新型自我监督框架.
- 在DATTR2U-Net使用多任务学习方法为inpainting和denoising借口任务.
- 为最终的检测任务添加了一个完全卷积网络.
主要成果:
- 拟议的CADe系统在TDSCABUS数据集上显示出有希望的检测性能.
- 实现了0.7963的召回率和每体积5.67的错误阳性率.
- 结果表明,有可能提高精度和减少放射科医生的工作量.
结论:
- 自主监督的DATTR2U-Net框架为ABUS大规模检测提供了一种有效的方法.
- 这种方法解决了深度学习CADe系统中数据依赖性和错误阳性率的局限性.
- 该系统显示出增强早期乳腺癌检测和简化放射科医生审查流程的潜力.
