基于解剖学概念的伪标签,以提高乳腺癌多中心数据数据中的概括性

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要先进的诊断工具.
• 乳房造影是主要的查方法,但准确的解释仍然具有挑战性.
• 提高人工智能模型对乳腺癌分类的性能和稳定性对于早期检测至关重要.

研究的目的:

• 评估将解剖学知识纳入乳腺癌分类模型的影响.
• 通过基于BI-RADS尺度的模拟解剖变异来提高模型性能和稳定性.
• 在分类模型中引入一种新的损失术语,以改进癌症分级.

主要方法:

• 开发一种方法来生成模拟质量大小和强度变化的解剖伪标签.
• 实施一种新的损失术语,以促进癌症分级学习.
• 在分发和分发之外的场景下对公共数据集进行实验性评估.

主要成果:

• 拟议的方法结合了解剖学知识和新的损失术语,在乳腺癌分类方面表现得更好.
• 该模型在模拟的分布外数据上进行评估时显示了增强的稳定性.
• 解剖变异和癌症分级学习的整合对分类准确性产生了积极的影响.

结论:

• 纳入解剖学知识显著提高了乳腺癌分类模型的性能和稳定性.
• 新的损失术语有效地促进了癌症分类,有助于更全面的分析.
• 这种方法有助于推进人工智能辅助的乳房造影解释和早期乳腺癌检测.