专家认知驱动的安全噪声标签学习用于乳腺癌残留肿瘤精确分割
定量方法
2025-03-07 v2 人工智能
图像与视频处理
摘要
乳腺癌新辅助化疗后残留肿瘤的精确分割(PSRTBC)是乳腺癌治疗过程中的一项基础关键技术。然而,由于乳腺癌组织与肿瘤细胞在新辅助化疗后通常具有复杂多变的形态学改变,实现 PSRTBC 仍具挑战,这不可避免地增加了构建具有良好泛化能力的常规监督学习(SL)预测模型的难度。为缓解此状况,本文提出一种专家认知驱动的安全噪声标签学习(ECDSNLL)方法。在安全弱监督学习典型类型的安全噪声标签学习概念中,ECDSNLL 通过整合病理专家关于识别乳腺癌残留肿瘤的认知,以及人工智能专家关于基于所提供数据基础进行数据建模的认知而构建。实验结果表明,与常规 SL 相比,ECDSNLL 能显著提升若干 UNet 变体在 PSRTBC 上的召回率与 fIoU 的下界,分别达 2.42% 与 4.1%,同时也能改善均值与上界。
引用
@article{arxiv.2304.07295,
title = {Experts' cognition-driven safe noisy labels learning for precise segmentation of residual tumor in breast cancer},
author = {Yongquan Yang and Jie Chen and Yani Wei and Mohammad Alobaidi and Hong Bu},
journal= {arXiv preprint arXiv:2304.07295},
year = {2025}
}