基于医学知识驱动的多实例学习用于产前超声严重腹部异常分类
计算机视觉与模式识别
2025-07-03 v1 人工智能
摘要
胎儿腹部畸形是严重的先天性异常，需要准确诊断以指导妊娠管理并降低死亡率。虽然人工智能在医学诊断方面已显示出巨大潜力，但其在产前腹部异常的应用仍有限。大多数现有研究关注图像级别的分类，依赖标准平面定位，对病例级别的诊断不够重视。本文开发了一种基于病例级别的多实例学习(MIL)方法，无需标准平面定位，用于产前超声胎儿腹部异常分类。我们的贡献有三方面:首先，我们采用混合注意力专家模块(MoAE)为不同平面的不同注意力头赋予权重;其次，我们提出一种医学知识驱动的特征选择模块(MFS)，在病例级别上对图像特征进行自监督图像标记选择;最后，我们提出一种基于提示的原型学习(PPL)以增强MFS。经在包含2419个案例、共24748张图像和6个类别的大型产前腹部超声数据集上广泛验证，我们的方法在准确率方面优于现有最先进的方法。代码已公开:https://github.com/LL-AC/AAcls。
引用
@article{arxiv.2507.01401,
title = {Medical-Knowledge Driven Multiple Instance Learning for Classifying Severe Abdominal Anomalies on Prenatal Ultrasound},
author = {Huanwen Liang and Jingxian Xu and Yuanji Zhang and Yuhao Huang and Yuhan Zhang and Xin Yang and Ran Li and Xuedong Deng and Yanjun Liu and Guowei Tao and Yun Wu and Sheng Zhao and Xinru Gao and Dong Ni},
journal= {arXiv preprint arXiv:2507.01401},
year = {2025}
}
备注
Accepted by MICCAI 2025