基于超声的乳腺肿块分类器选择的深度元学习
图像与视频处理
2022-11-04 v1 计算机视觉与模式识别
医学物理
摘要
基于手工形态学与纹理特征的标准分类方法在超声(US)乳腺肿块鉴别中取得了良好性能。与常被视为“黑箱”模型的深度神经网络相比，经典技术基于具有明确医学与物理解释的特征。然而，基于形态学特征的分类器在存在声影伪影和边界不清的肿块时通常表现不佳，而基于纹理的分类器在 US 图像过于嘈杂时可能失效。因此，在实践中，根据特定 US 图像的外观来选择分类方法将是有益的。本工作中，我们开发了一种深度元网络，可自动处理输入的乳腺肿块 US 图像，并推荐对乳腺肿块鉴别采用基于形状还是基于纹理的分类器。我们的初步结果表明，元学习技术可用于提升基于手工特征的标准分类器性能。采用所提出的基于元学习的方法，我们实现了受试者工作特征曲线下面积 0.95 与准确率 0.91。
引用
@article{arxiv.2211.01892,
title = {Deep meta-learning for the selection of accurate ultrasound based breast mass classifier},
author = {Michal Byra and Piotr Karwat and Ivan Ryzhankow and Piotr Komorowski and Ziemowit Klimonda and Lukasz Fura and Anna Pawlowska and Norbert Zolek and Jerzy Litniewski},
journal= {arXiv preprint arXiv:2211.01892},
year = {2022}
}
备注
Work presented at the 2022 IEEE International Ultrasonics Symposium, submission #2078