基于投影的标记化与伪特征学习用于超声波图像中的卵巢病变细分
Yanlin Chen1, Yuhan Zhang2, Ruobing Huang1
1National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, School of Biomedical Engineering, Health Science Center, Shenzhen University, Shenzhen, 518055, China; Medical UltraSound Image Computing (MUSIC) Lab, Shenzhen University, Shenzhen, 518055, China.
概括
这项研究引入了一种新的射模型,具有伪特征学习,用于在超声波图像中改善卵巢损伤细分. 该方法通过准确识别不同大小和形状的病变,提高了早期癌症检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在超声波中精确细分卵巢病变对于早期癌症检测和治疗至关重要.
- 挑战包括病变大小/形状的变化和类似的组织纹理,阻碍细分精度.
研究的目的:
- 在超声波图像中开发一个先进的模型,用于精确的卵巢病变细分.
- 提高适应多样化的病变特征的能力,并减轻由组织相似性引起的细分困难.
主要方法:
- 提出了一个雷投射模型,用于卵巢损伤细分的伪特征学习.
- 利用Radon投射的功能学习模块,用于投射式的令牌化,输入到变压器中,整合本地和全球信息.
- 实现了一个伪特征学习模块来构建伪区域并使用注意力机制探索语义相关性.
主要成果:
- 拟议的模型在三个卵巢和两个非卵巢超声波数据集中展示了优异的细分性能.
- 实现了强大的通用性,有效地处理损伤大小,形状和强度的变化.
结论:
- 具有伪特征学习的Radon投射模型为卵巢病变细分提供了强大的解决方案.
- 这种方法提高了诊断的准确性,并有助于对卵巢癌进行有效的治疗计划.
