重新思考多中心半监督的乳腺癌超声波图像细分:一个中间域视角
IEEE journal of biomedical and health informatics
|February 25, 2026
概括
这项研究引入了一个跨域少标签通用化 (CFG) 框架,以改善多中心乳房超声波图像细分. 通过创建一个中间域和集成先进的深度学习技术,CFG框架增强了对有限的标记数据的模型概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 多中心乳房超声波图像细分面临挑战,原因是设备,疾病严重程度和成像条件的变化造成了显著的跨域转移.
- 利用来自单个中心的有限标记数据来改进跨多个中心的未标记数据模型是一个关键的研究领域.
研究的目的:
- 提出跨域少标签通用化 (CFG) 框架,以提高多中心乳腺超声波图像细分性能.
- 通过在源域和目标域之间构建一个中间域来改进模型通用化.
主要方法:
- 拟议的CFG框架使用中间域生成器 (IDG) 来创建来自源域和目标域的双向特征样本.
- 使用Swin Masked Autoencoder (MAE) 来模拟斑点噪声,从而增加中间域样本的多样性.
- 一个KAN-UNet架构将Kolmogorov-Arnold网络 (KAN) 与UNet集成,以有效地对乳腺癌病变特征进行多层次的感知.
主要成果:
- 在多中心乳房超声波数据集上,CFG框架实现了77.17%的Kappa值,超过了十种最先进的方法.
- 该方法表现出优异的性能,即使从源域 (BUSI-WHU) 获得有限的标记数据.
- 在四个多中心超声波数据集中,CFG框架的表现比第二最佳方法高出0.78%.
结论:
- 拟议的CFG框架有效地解决了多中心乳房超声波图像细分中的跨领域转变.
- 集成IDG,Swin MAE和KAN-UNet使得使用有限的标记数据实现了强大的泛化.
- CFG框架代表了在不同医疗中心自动化乳腺病变细分方面的重大进步.
