在查乳腺癌检测中使用课程方法进行注释效率高,基于补丁的,可解释的深度学习,用于乳腺癌检测

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:

• 乳房摄影对于乳腺癌的检测至关重要.
• 解读乳房影像是一个后勤挑战,因为增加的数量.
• 深度学习 (DL) 模型具有潜力,但通常需要广泛的注释数据集.

研究的目的:

• 开发一个高效的DL模型用于乳腺癌检测在乳房影像.
• 使用弱 (图像级) 和强 (边界框) 标注.
• 使用Grad-CAM提供可解释的人工智能 (XAI),并以地面真相重叠率评估它.

主要方法:

• 使用课程学习开发了一个基于补丁的DL模型,逐渐增加补丁大小.
• 该模型在1976年的乳房影像上接受了不同程度的强有力的监督 (0-100%) 的训练.
• 在一个内部数据集和一个外部数据集上评估了表现,其中包括4276次乳房影像.

主要成果:

• 课程学习模型 (20-100%强度标签) 在F1得分方面表现优于基线模型 (0%强度标签).
• 在内部数据集上,F1分数从80.55% (基线) 提高到83.95% (课程100).
• 在外部数据集上也观察到类似的表现趋势,F1得分在74.65%至78.73%之间.

结论:

• 通过课程学习和基于补丁的方法训练DL模型是有效的,即使使用有限的强烈注释的数据.
• 这种方法提供了令人满意的性能和可解释性 (XAI),解决了DL的数据需求和"黑子"性质.
• 这种方法显示了在大规模的乳房扫描查计划中部署DL的前景.