BriefGPT - AI 论文速递
·
使用简单临床标注的非对称学习进行超声结节分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。该方法通过迭代改进生成私人未标记乳腺超声数据集的伪掩膜，提高了分类模型的解释性和诊断效果。初步研究结果证明了该方法的效果和可靠性。
🎯
关键要点
- 本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。
- 该方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，进行迭代改进。
- 生成的伪掩膜用于私人未标记乳腺超声数据集，该数据集的大小是公共数据集的两倍，具有领域转移的挑战。
- 与典型的领域对抗训练不同，该方法使用下游分类结果作为基准，指导伪掩膜的更新。
- 研究发现分类精度与生成的 ROIs 的完整性高度相关，促进了深度学习分类模型的解释性。
- 初步研究结果证明了该方法在简化 ROI 注释过程和增强乳腺病变分类与定位方面的效果和可靠性。
➡️
