AsyDisNet:可扩展的乳房扫描不对称性和建筑扭曲检测与基于角度的四倍损失

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 早期检测乳房影像上的不对称性 (AS) 和结构扭曲 (AD) 对乳腺癌的诊断至关重要.
• 由于AS和AD的发病率很低,因此检测它们是具有挑战性的,这会影响诊断的准确性.
• 目前的方法与微妙的指标作斗争,需要先进的检测技术.

研究的目的:

• 提出一个高效的深度学习模型,AsyDisNet,用于检测乳房影像中的不对称性和架构扭曲.
• 为了应对有限的像素级标记数据的挑战,用于AS和AD检测.
• 通过使用具有图像级标签的半弱监督学习框架来提高检测性能.

主要方法:

• 开发AsyDisNet,一个高效的神经网络架构用于AS和AD检测.
• 引入了基于角度的新型四倍损失函数,用于训练有限的像素级注释.
• 实施半弱监督的学习框架,以利用具有图像级标签的大型数据集.

主要成果:

• 在两个大型私人数据集上,AsyDisNet在两种虚假阳性率 (FPPI) 上表现出了相对于最先进的基线的显著提高.
• 该模型实现了平均%的改善,突出了其在检测微妙乳腺癌指标方面的有效性.
• 拟议的方法表明可扩展到图片存档和通信系统 (PACS) 具有增量学习能力.

结论:

• AsyDisNet提供了一种高效准确的解决方案,用于早期检测乳房影像中的不对称性和架构扭曲.
• 新型损失函数和半弱监督学习的结合有效地克服了乳腺癌查中的数据限制.
• AsyDisNet模型具有可扩展性和适应性,可集成到临床工作流程中,数据集将公开发布.