基于BIRADs多任务学习模型的乳腺肿块分类

目的：为解决乳腺图像肿块分类与深度学习应用的难题,提出一种基于乳腺影像报告与数据系统（BIRADs）多任务学习模型的肿块分类方法。方法：构建迁移学习的形态学和纹理特征提取器,并在此基础上引入多任务分类器,实现BIRADs诊断相关的边缘、形状、密度和微小性评估。研究通过训练策略、输入图像和模型架构系列实验和指标,分析评估模型性能。结果：在迁移学习策略下,Base模型和BIRADs模型性能均有显著提升。原始肿块图像作为输入的模型性能均优于掩模图像模型。在迁移学习和原始肿块输入下,BIRADs模型相较Base模型有更高的AUC值（0.830 vs 0.793）、准确率（0.747±0.024 vs 0.712±0.023）、精确率（0.643±0.032 vs 0.607±0.030）、召回率（0.774±0.037 vs 0.715±0.042）、F1-score(0.702±0.028 vs 0.656±0.029)。多任务学习模型在乳腺肿块分类中具有显著优势。结论：BIRADs多任务学习模型结合临床知识与数据驱动方法显著提高肿块分类准确性和模型鲁棒性,有望提高乳腺癌诊断准确性。