对于弱监督的局部极端映射 关于乳房镜分类和定位的学习
Minjuan Zhu1, Lei Zhang1, Lituan Wang1
1College of Computer Science, Sichuan University, Section 4, Southern 1st Ring Rd., Chengdu 610065, China.
Bioengineering (Basel, Switzerland)
|April 26, 2025
概括
这项研究引入了一种用于乳房镜分析的新方法,该方法使用图像级标签,而不是昂贵的像素级数据. 这种方法改善了乳腺损伤的检测和定位,使自动化分析更容易获得.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 早期和准确的乳腺损伤检测通过乳房扫描对于患者的生存至关重要.
- 目前的深度学习方法需要昂贵的像素级注释,这阻碍了现实世界的应用.
- 弱监督的学习提供了一个潜在的解决方案,以减少注释成本.
研究的目的:
- 提出一种新的局部极端映射 (LEM) 机制,用于乳房影像分类和弱监督的病变定位.
- 为了减少对像素级注释的依赖,深度学习模型用于乳房图像.
- 提高自动化乳腺造影分析的效率和可访问性.
主要方法:
- 用卷积神经网络将乳房影像划分为区域并生成分数图.
- 通过在得分图中过局部极端来识别信息区域.
- 从信息区域汇总分数以进行最终分类和病变定位.
主要成果:
- 在CBIS-DDSM和INbreast数据集上取得了竞争性表现.
- 在INbreast数据集上,分类准确度提高到96.3%,AUC为0.976.
- 有效地局部化病变,子相似系数为0.37,优于基线方法,如Grad-CAM.
结论:
- 拟议的LEM方法只使用图像级标签,可以实现精确的乳房影像分类和病变定位.
- 这种方法显著降低了注释成本,提供了实际的临床意义.
- 对于潜在的临床应用,LEM提高了自动化乳腺造影分析的可访问性和效率.
