FAME:一个保护隐私的双阶段深度学习框架,用于使用联合传输和合成学习的乳房超声波成像

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 为医疗保健提供联合学习.
• 乳腺癌的诊断 乳腺癌的诊断

背景情况:

• 自动乳房超声波分析面临挑战,原因是注释数据有限,机构数据异质,以及严格的患者隐私法规.
• 现有的方法在分散的临床环境中难以有效地执行联合细分和分类.
• 需要保护隐私和数据效率的框架来推进自动化乳腺超声波分析.

研究的目的:

• 提出一个新的保护隐私和数据效率的框架,FAME (联合注意力引导多任务组合网络),用于联合细分和分类乳房超声波图像.
• 在分散的临床环境中解决数据稀缺性和机构异质性问题.
• 通过协作学习,提高自动化乳腺癌诊断的准确性和可靠性.

主要方法:

• FAME将联合转移学习与辅助分类器生成对抗网络集成在一起,用于合成数据生成,以应对数据稀缺.
• 分段使用多重注意力U-Net (MAU-Net),而分类则使用带有元分类器的深度学习模型 (ResNet50V2,NASNetLarge,MAU-Net) 的双阶段组合.
• 隐私通过差异隐私 (高斯噪声) 和安全聚合,在BUSI,BUSC和UDIAT数据集上进行验证来确保隐私.

主要成果:

• 在数据集中,FAME实现了高性能,精度高达98.70% (BUSI),98.14% (UDIAT) 和96.92% (BUSC).
• 记录了出色的F1得分 (高达96.82%) 和AUC (高达0.978),始终超过了最先进的基线.
• 通过子得分 (高达93.09%) 测量的细分性能,以及对恶性病例和非IID数据分布的改进处理.

结论:

• 联合注意力引导的多任务组合网络 (FAME) 为多机构乳房超声波分析提供了可扩展,符合隐私和高性能解决方案.
• 该框架有效地结合了联合学习,合成数据增强和注意力机制,以实现安全,协作性的乳腺癌诊断.
• FAME为在现实临床环境中推进自动化乳腺癌检测奠定了坚实的基础.