基于注意力的混合视图学习,用于增强的乳腺癌分类与多尺度和多视图融合的乳腺癌分类

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 机器学习 机器学习

背景情况:

• 早期发现乳腺癌显著提高了生存率.
• 深度学习推进了乳房图分析,但在视图一致性和多尺度特征捕获方面存在困难.
• 现有的模型面临着微妙的损伤变化和缺失数据的挑战.

研究的目的:

• 为乳房图像分析提出混合视图学习 (HVL) 范式.
• 引入基于注意力的混合视觉学习 (AHVL) 框架,整合新的注意力机制.
• 提高乳腺癌检测的准确性和稳定性,特别是在不完整的视图数据下.

主要方法:

• 开发了基于注意力的混合视觉学习 (AHVL) 框架.
• 集成的对比开关注意力 (CSA) 为数据完整性和稳定性.
• 利用选择性聚合注意力 (SPA) 进行多级特征提取和细粒度病变检测.
• 集成了一个预先训练的语言模型,用于对比学习.

主要成果:

• 在INbreast和CBIS-DDSM数据集上,AHVL的表现优于传统的单视图和多视图方法.
• 该框架保持了高精度和最小的性能下降,即使缺失视图率为80%.
• 与现有方法相比,证明了优越的稳定性和稳定性.

结论:

• AHVL框架通过基于注意力的混合视图处理重新定义了乳房图像分析.
• 这种方法为准确和高效的乳腺癌诊断设定了新的标准.
• 对于处理不完整的乳房扫描数据,AHVL提供了强大的解决方案.