通过集体智能基于超声波的长尾识别来确定乳腺病变的亚型
Ruobing Huang1, Yinyu Ye1, Ao Chang1
1Medical Ultrasound Image Computing (MUSIC) Lab, Guangdong Key Laboratory of Biomedical Measurements and Ultrasound Imaging, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, China.
Medical image analysis
|March 23, 2025
概括
这项研究引入了CoDE,这是一种使用超声波图像进行自动化乳腺病变亚型识别的新框架. CoDE有效地解决了阶级不平衡,通过避免侵入性活检,提高了诊断准确性和患者护理.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的乳腺病变亚型对于患者的管理和治疗至关重要,但目前的方法依赖于侵入性活检.
- 侵入性活检带来风险,包括过度诊断,成本增加和患者的不适.
- 乳腺病变亚型的长尾分布对自动识别系统构成了重大挑战.
研究的目的:
- 开发一种非侵入性方法,直接从超声波图像中推断乳腺病变亚型.
- 创建一个强大的自动化系统,能够处理病变亚型的偏斜分布.
- 提高乳腺损伤分类的准确性和效率.
主要方法:
- 提出了一个名为CoDE (基于深度学习的专业知识的集体智能) 的新型框架,用于自动化损伤亚型化.
- 利用双层平衡的个人监督来利用先前的知识和管理阶级不平衡.
- 实施了基于批量的在线竞争性蒸模块,以便在不同的模型骨架之间进行动态的知识交流.
主要成果:
- 与最先进的方法相比,CoDE框架显示出更高的性能.
- 在一个具有挑战性的乳房超声波数据集上,F1得分提高了7.22%以上.
- 成功处理了一组数据集,其显著的类失衡比率为47.9:1.
结论:
- CoDE框架提供了一种有希望的非侵入性方法,用于精确地从超声波图像中确定乳腺病变的亚型.
- 提出的方法有效地解决了医学图像分析中阶级不平衡的挑战.
- 这一进步有可能通过实现量身定制的治疗策略和减少侵入性手术的需要来提高患者护理.
