增强 AI 诊断：基于半监督深度学习的自主病灶掩码生成
计算机视觉与模式识别
2024-04-22 v1 人工智能
机器学习
摘要
本研究提出了一种无监督域适应方法，旨在自主生成图像掩码，以勾勒出用于区分乳腺超声成像中乳腺病灶的感兴趣区域。我们的半监督学习方法利用在带有真实标注的小型公开乳腺超声数据集上训练的初始模型。然后针对域适应任务对该模型进行迭代优化，为我们的私有、未标注乳腺超声数据集生成伪掩码。该数据集规模是公开数据集的两倍，在图像采集视角和人口统计学表示方面表现出显著的变异性，构成了域偏移挑战。与典型的域对抗训练不同，我们采用下游分类结果作为基准，以指导后续迭代中伪掩码的更新。我们发现分类精度与生成的感兴趣区域的完整性高度相关，这促进了深度学习分类模型的可解释性。初步发现证明了该方法在简化 ROI 标注过程中的有效性和可靠性，从而增强了乳腺病灶的分类与定位，以实现更精确和可解释的诊断。
引用
@article{arxiv.2404.12450,
title = {Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning},
author = {Ting-Ruen Wei and Michele Hell and Dang Bich Thuy Le and Aren Vierra and Ran Pang and Mahesh Patel and Young Kang and Yuling Yan},
journal= {arXiv preprint arXiv:2404.12450},
year = {2024}
}