Los puntos clave no están disponibles para este artículo en este momento.
En los últimos años, el aprendizaje profundo se ha utilizado ampliamente en el diagnóstico del cáncer de mama, y han surgido muchos modelos de alto rendimiento. Sin embargo, la mayoría de los modelos de aprendizaje profundo existentes se basan principalmente en imágenes estáticas de ultrasonido (US) de mama. En el proceso diagnóstico real, el ultrasonido con contraste mejorado (CEUS) es una técnica comúnmente utilizada por los radiólogos. En comparación con las imágenes estáticas de US de mama, los videos de CEUS pueden proporcionar información más detallada sobre el suministro sanguíneo de los tumores y, por lo tanto, pueden ayudar a los radiólogos a realizar un diagnóstico más preciso. En este artículo, proponemos un nuevo modelo de diagnóstico basado en videos de CEUS. La columna vertebral del modelo es una red neuronal convolucional 3D. Más específicamente, notamos que los radiólogos generalmente siguen dos patrones específicos al navegar por los videos de CEUS. Un patrón es que se concentran en momentos específicos, y el otro es que prestan atención a las diferencias entre los fotogramas de CEUS y las imágenes de US correspondientes. Para incorporar estos dos patrones en nuestro modelo de aprendizaje profundo, diseñamos un módulo de atención temporal guiado por conocimiento del dominio y un módulo de atención de canal. Validamos nuestro modelo en nuestro conjunto de datos Breast-CEUS compuesto por 221 casos. El resultado muestra que nuestro modelo puede lograr una sensibilidad del 97.2% y una precisión del 86.3%. En particular, la incorporación de conocimiento del dominio conduce a una mejora del 3.5% en sensibilidad y una mejora del 6.0% en especificidad. Finalmente, también probamos la validez de dos módulos de conocimiento del dominio en la red neuronal convolucional 3D (C3D) y en la 3D ResNet (R3D).
Chen et al. (Sat,) estudiaron esta cuestión.