乳腺癌检测的自我监督学习:一篇评论

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 机器学习用于诊断.

背景情况:

• 乳腺癌仍然是全球领先的健康问题,需要在早期检测和诊断方面取得进展.
• 深度学习 (DL) 在计算机辅助检测 (CAD) 中显示出潜力,但需要广泛的标记数据集.
• 自主监督学习 (SSL) 提供了一个解决方案,利用未标记的数据进行强大的功能学习.

研究的目的:

• 审查SSL在乳腺癌检测中的应用,包括查,诊断,分级和分期.
• 分析SSL对各种成像方式的影响,如乳房影像,超声波,MRI和组织病理学.
• 确定乳腺癌成像中SSL的缺口和未来方向.

主要方法:

• 关于SSL在乳腺癌成像中的应用的综合文献综述.
• 分析SSL在减少注释负担和改进模型概括方面的作用.
• 专注于包括哺乳镜,数字乳腺图解合成,超声波,MRI和组织病理学在内的方法.

主要成果:

• SSL在乳房影像和超声波中取得了成功,用于早期检测,以及在MRI/组织病理学中用于病变特征.
• SSL有效地减少了注释需求,并增强了跨不同数据域的概括性.
• 在乳腺癌诊断中,对PET成像的SSL研究存在重大差距.

结论:

• SSL为乳腺癌成像提供了一种变革性的方法,提供可扩展的解决方案,减少对专家注释的依赖.
• 未来的研究应该探索SSL在PET等未经探索的模式中,并专注于多模式融合和可解释性.
• SSL对改善乳腺癌检测,特征和预后具有前途.