Ultrasound Breast Image Classification Through Domain Knowledge Integration Into Deep Neural Networks
Notice bibliographique
Résumé
Current deep learning methods used for classifying ultrasound breast images have difficulty to learn and generalize with small training datasets containing images with tumors of varying size and shapes. A model that integrates domain knowledge into the classification model is proposed. The proposed model consists of two shallow CNN streams (image stream and mask stream), guide blocks, multiscale fusion block, and classification layers. The image stream extracts features from the ultrasound (US) image, while the mask stream extracts features from either the ground truth (GT) mask or the mask generated by either U-net or selective U-Net (SU-net). Guide blocks fuse the features provided by the mask stream into the image stream and by reweighting the features from the image stream, help the model focus on the tumor area along with the affected cells around them. The multiscale fusion block aggregates features from various levels of the image stream to address the various sizes of the tumors. Finally, classification layers provide the final decisions. The proposed model is trained using two approaches after augmenting the training set. The first approach trains the model using US images with an associated GT mask and then tests it using the US images with their predicted mask provided by either U-net or SU-net. The second approach is similar to the first one, except that the trained model is retrained using US images and the predicted mask. The proposed model outperforms 15 state-of- the-art methods, with about 7.5% increase in balanced accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».