基于可微 BI-RADS 特征一致性正则化的外部验证多任务学习用于乳腿超声肿瘤分割
计算机视觉与模式识别
2025-11-21 v1 人工智能
摘要
多任务学习可能因任务间的负面干扰而受到破坏，其中联合训练的模型在单任务基线之上表现不佳，限制了泛化能力。为提高基于乳腿超声的肿瘤分割通过多任务学习的泛化性能，我们提出一种新的一致性正则化方法，以缓解分割与分类之间的破坏性干扰。该一致性正则化方法由可微 BI-RADS 风格的形态特征组成。我们通过在波兰的 BrEaST 数据集上训练所有模型，并在三个外部数据集上进行评估：西班牙的 UDIAT、埃及的 BUSI 以及西班牙的 BUS-UCLM。我们的全面分析表明，与基线方法相比，所提出的多任务方法在分割任务上的泛化性能显著提升（p<0.001）：UDIAT、BUSI、BUS-UCLM 分别为 Dice 系数 0.81 vs 0.59、0.66 vs 0.56、0.69 vs 0.49。该方法还在 UDIAT 数据集上进行严格的外部验证，实现了最先进的分割性能。
引用
@article{arxiv.2511.15968,
title = {Externally Validated Multi-Task Learning via Consistency Regularization Using Differentiable BI-RADS Features for Breast Ultrasound Tumor Segmentation},
author = {Jingru Zhang and Saed Moradi and Ashirbani Saha},
journal= {arXiv preprint arXiv:2511.15968},
year = {2025}
}