乳腺癌检测自主监督学习方法,使用图像特征集和修改的U-Net细分,使用整个幻灯片图像
Sangishetti Karunakar1, Praveen Pappula1
1School of Computer Science and Artificial Intelligence, SR University, Warangal, Telangana, India.
Cancer investigation
|September 25, 2025
概括
这项研究引入了一种新的AI方法,用于使用修改后的U-Net和改进的自我监督学习来检测乳腺癌. 该方法提高了从整个幻灯片图像 (WSIs) 识别瘤的准确性和效率.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌是妇女死亡的主要原因,需要准确和高效的早期检测方法.
- 目前涉及专家放射科医生和病理学家的诊断方法昂贵,容易出现错误.
- 早期发现乳腺癌可显著提高存活率,降低治疗费用.
研究的目的:
- 开发一种由人工智能驱动的创新方法,以提高整个幻灯片图像 (WSI) 中乳腺癌检测的准确性和效率.
- 通过改善瘤细分和分类来解决传统诊断技术的局限性.
- 在临床实践中提高乳腺癌检测的整体可靠性和有效性.
主要方法:
- 一个多阶段的过程,涉及高斯过以减少噪音和修改的U-Net架构,具有多规模的处理和注意力机制,用于瘤细分.
- 使用视觉词袋 (BoW),改进的局部梯度和强度模式 (LGIP) 和指向梯度的金字塔直方图 (PHOG) 的特征提取.
- 使用改进的自我监督学习 (ISSL) 方法进行分类,具有新的损失函数和改进的多个实例聚合 (IMIP) 机制.
主要成果:
- 拟议的ISSL战略实现了高绩效指标,证明了其有效性.
- 获得了0.924的准确性,0.886的灵敏度和0.943.93的负预测值 (NPV).
- 与传统技术相比,该方法提供了更清晰的瘤边界和更准确的分类.
结论:
- 修改U-Net和ISSL的整合为WSIs中准确和高效的乳腺癌检测提供了一个有前途的解决方案.
- 这种人工智能驱动的方法有可能通过提高诊断可靠性来显著改善临床实践.
- 这项研究强调了先进的自我监督学习在瘤学医学图像分析中的有效性.
