原型增强的多视图学习用于甲状腺结节超声分类
计算机视觉与模式识别
2026-03-31 v1 机器学习
摘要
利用超声成像进行甲状腺结节分类对于早期诊断和临床决策至关重要；然而，尽管在分布内数据上表现出有前景的性能，现有深度学习方法在不同超声设备或临床环境中部署时往往表现出有限的鲁棒性和泛化能力。这一限制主要归因于甲状腺超声图像的显著异质性，可能导致模型捕获虚假相关性而非可靠的诊断线索。为应对这一挑战，我们提出了 PEMV-thyroid，一种原型增强的多视图学习框架，通过从多个特征视角学习互补表示并通过基于原型的校正机制整合混合原型信息来应对数据异质性。通过将多视图表示与原型级指导相结合，所提出的方法能够在异质成像条件下实现更稳定的表示学习。在多个甲状腺超声数据集上的广泛实验表明，PEMV-thyroid 持续优于最先进的方法，特别是在跨设备和跨域评估场景中，从而在真实临床环境中提高了诊断准确性和泛化性能。源代码可在 https://github.com/chenyangmeii/Prototype-Enhanced-Multi-View-Learning 获取。
引用
@article{arxiv.2603.28315,
title = {Prototype-Enhanced Multi-View Learning for Thyroid Nodule Ultrasound Classification},
author = {Yangmei Chen and Zhongyuan Zhang and Xikun Zhang and Xinyu Hao and Mingliang Hou and Renqiang Luo and Ziqi Xu},
journal= {arXiv preprint arXiv:2603.28315},
year = {2026}
}
备注
6 pages, IWCMC 2026 accepted