通过自我监督学习和Swin变压器和卷积神经网络的混合深度模型,提高查乳腺癌检测的乳房造影
Han Chen1,2, Anne L Martel1,2
1Sunnybrook Research Institute, Physical Sciences, Toronto, Ontario, Canada.
Journal of medical imaging (Bellingham, Wash.)
|May 16, 2025
概括
本研究介绍了HybMNet,这是一种使用自主监督学习 (SSL) 的新型深度学习模型,用于改进人工智能用于乳腺癌检测,克服数据限制.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于乳腺癌诊断
- 对于乳房镜的深度学习.
背景情况:
- 高质量的标记医疗数据很少用于训练人工智能诊断乳腺癌.
- 进行乳房镜分析的深度模型需要广泛的,昂贵的标记图像数据集.
- 这一局限性阻碍了人工智能在乳腺癌查中的广泛应用.
研究的目的:
- 开发一种利用自主监督学习 (SSL) 和深度混合模型 (HybMNet) 的新方法,用于在查乳房影像上增强乳腺癌检测.
- 为了应对医疗AI中有限的标记训练数据的挑战.
- 为了提高人工智能驱动的乳房造影分析的准确性和效率.
主要方法:
- 采用两阶段的学习过程:使用Swin变压器 (Swin-T) 骨架上的高效自主监督视觉变压器进行SSL预培训,随后进行下游培训.
- 开发了HybMNet,将Swin-T骨干与基于CNN的网络结合起来,用于精细的特征提取和融合策略.
- 利用Swin-T中的本地自我注意力进行信息补丁选择和CNN用于本地特征提取,将两者集成为可靠的预测.
主要成果:
- 使用SSL进行预训练的HybMNet模型在CMMD数据集上实现了0.864的ROC曲线下的面积 (AUC),在INbreast数据集上达到0.889.
- 在区分良性和恶性乳房影像方面表现出显著的有效性.
- 视觉化表明,即使使用图像级标签,微化检测的监督能力也很弱.
结论:
- 建议的HybMNet模型和SSL预训练方法对于乳腺癌检测在乳房影像中是有效的.
- 该方法对克服医疗AI中数据稀缺性挑战具有前景.
- 该模型识别相关区域的能力表明,该模型可能具有具有有限监督的先进诊断能力.
