损伤不对称性查辅助全球意识 乳房图分类多视图网络

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:

• 乳房摄影对于早期发现乳腺癌至关重要.
• 当前的深度学习模型经常独立分析图像,限制了诊断性能.
• 整合多视图乳房扫描数据对于提高准确性至关重要.

研究的目的:

• 开发一个端到端的深度学习框架,用于患者层面的乳腺癌诊断.
• 通过结合多视图交互来解决图像层面分析的局限性.
• 为了提高乳房扫描查的诊断性能和解释性.

主要方法:

• 提出了一个新的框架:病变不对称性查辅助全球意识多视图网络 (LAS-GAM).
• LAS-GAM 在患者层面运行,处理四种乳腺扫描视图 (CC和MLO).
• 使用全局模块进行全面的患者评估和病变查模块进行有针对性的特征提取.

主要成果:

• 在DDSM数据集上,LAS-GAM实现了0.817的曲线下面面积 (AUC),在内部数据集上达到0.894.
• 与图像级模型相比,患者层面的方法显示出更高的诊断性能.
• 使用患者级标签的培训显著降低了数据注释成本.

结论:

• 拉斯-GAM有效地整合了多视图乳房扫描信息,以改善乳腺癌诊断.
• 该框架模拟了放射科医生的工作流程,提高了性能和可解释性.
• 这种以患者为中心的深度学习方法为基于乳房影像的查提供了有前途的进步.