增强的多个实例学习用于乳腺癌检测在乳房摄影:自适应补丁,先进的聚合,和深度监督

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 弱监督学习在医学图像分析中带来了挑战.
• 精确的乳腺癌检测在乳房扫描需要强大的特征学习.
• 现有的方法通常需要详细的兴趣区域注释.

研究的目的:

• 开发一个增强的嵌入式空间多实例学习网络 (MI-Net),用于低监督的乳腺癌检测.
• 通过深度监督来提高特征学习和分类性能.
• 在MI-Net框架内评估各种聚合方法的有效性.

主要方法:

• 实现了一个增强的嵌入式空间MI-Net,包括自适应补丁创建和卷积特征提取.
• 集成的多个聚合策略:最大,平均,日积,曝光,注意力和封闭的注意力聚合.
• 采用深度监督来增强跨网络层的功能表示.

主要成果:

• 增强MI-Net模型与注意力聚合实现了CBIS-DDSM数据集中最高的曲线下的面积 (AUC) 86%.
• 深度监督显著改善了袋级分类性能.
• 与其他聚合方法相比,注意力聚合显示出更高的性能.

结论:

• 增强嵌入式空间MI-Net为乳腺癌检测提供了强大的和可扩展的解决方案.
• 该模型有效地利用弱监督学习,减少了对详细注释的需求.
• 这种方法显示出显著的临床相关性,作为一个高效的诊断工具,用于乳房图像分析.