为分布转移乳腺瘤图像分类绘制图形的基扩散神经网络.

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 图形神经网络的神经网络

背景情况:

• 乳腺瘤图像表现出较低的类内相似性和分布转移,使识别复杂化.
• 专家注释的高成本限制了标记数据的培训可用性.
• 半监督学习,特别是图形神经网络 (GNN),为减少注释成本和改善乳腺瘤分类提供了有希望的方法.

研究的目的:

• 提出图形亚亚巴特扩散神经网络 (GradiNet) 进行增强的乳腺瘤图像分类.
• 共同学习歧视性图形结构,并模拟分布转移环境.
• 提高模型对分布内 (ID) 和分布外 (OOD) 数据的概括能力.

主要方法:

• 开发了GradiNet,一种用于乳腺瘤识别的新型GNN架构.
• 使用图形学习目标函数建模的区分图形结构.
• 引入了一种基于富里埃热扩散方程的GNN特征传播机制,具有亚亚巴特边界条件来模拟分布转移.

主要成果:

• 从理论和经验上证明了学习图形结构的有效性.
• 展示了分布转移的自适应模拟和增强的概括.
• 在多个指标的公共和私人乳腺瘤超声波图像数据集上实现了最先进的性能.

结论:

• 格拉迪网有效地解决了乳腺瘤图像分析的挑战,包括较低的类内相似性和分布转移.
• 拟议的方法通过半监督学习减少了对广泛标记数据的依赖.
• 格拉迪网显著提高了乳腺瘤检测的分类性能和概括性.