半监督的乳腺损伤细分使用信心排名的特征和双级原型.

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 人工智能在医学中的应用

背景情况:

• 超声波 (BUS) 图像中的自动化乳腺病变细分对于计算机辅助诊断至关重要.
• 挑战包括繁的数据注释,模两可的损伤边界和BUS图像中的低对比度.

研究的目的:

• 提出一个新的半监督乳腺细分框架,CoBiNet,以克服当前的细分挑战.
• 为了提高自动化乳腺病变细分的准确性和效率.

主要方法:

• 开发了一个半监督的框架 (CoBiNet),利用可信度排名的特征和双层原型.
• 采用双分支架构 (分类器和投影器),具有多层次的特征排名.
• 实现了跨信任级别 (TCL) 的对比学习和交叉指导 (CG) 的一致性学习.

主要成果:

• 在BUSI和UDIAT数据集上,CoBiNet在最先进的方法上表现出优越的性能.
• 该框架有效地处理了BUS图像中的模两可的界限和低对比度.
• 通过特征信心排名和对比学习,更好地识别模两可的区域.

结论:

• CoBiNet为半监督的乳房超声波图像细分提供了强大而有效的解决方案.
• 拟议的方法在乳腺成像中显著推进了计算机辅助诊断.
• 未来的工作将涉及发布更广泛的研究应用的代码.