通过微波放射成像技术的多层自我对比学习来检测乳腺癌
Christoforos Galazis1, Huiyi Wu2, Igor Goryanin3,4,5
1Department of Computing, Imperial College London, London SW7 2AZ, UK.
Diagnostics (Basel, Switzerland)
|March 13, 2025
概括
这项研究介绍了Joint-MWR,这是一种使用微波放射测量 (MWR) 来比较乳房温度的深度学习模型. 它通过识别个体内微妙的热差异来改善早期乳腺癌检测.
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:
- 早期发现乳腺癌对于治疗成功和生存至关重要.
- 微波放射测量 (MWR) 和深度学习为乳腺癌诊断提供了创新的方法.
- 准确的热成像分析是识别早期异常的关键.
研究的目的:
- 开发一种新的深度学习模型,联合MWR (J-MWR),用于分析微波放射测量数据.
- 为了提高检测乳腺癌的微妙热异常的迹象.
- 通过比较个体乳房内的温度变化来提高诊断准确度.
主要方法:
- 为MWR数据分析提出了一个层次的自我对比模型 (J-MWR).
- 实施了对应的乳腺子区域之间的温度变化在主体内进行比较.
- 利用深度学习来分析热模式以检测异常.
主要成果:
- 与现有的基于MWR的神经网络和对比学习方法相比,J-MWR表现出更好的性能.
- 该模型在4932名患者的数据集上实现了0.74±0.02的马修斯相关系数.
- 在检测热异常方面展示了强大的性能.
结论:
- 实验对象内部的温度比较是乳腺癌检测的一个有希望的策略.
- 深度学习可以有效地复制和增强医学成像中的传统特征提取.
- J-MWR模型为使用MWR进行乳腺癌查提供了更好的准确性和通用性.
