Multi-Tiered Self-Contrastive Learning for Medical Microwave Radiometry (MWR) Breast Cancer Detection

要約

乳がんの検出と監視技術の改善は、革新的なイメージング技術と診断アプローチの必要性を促進し、ヘルスケアの重要な目的です。
この研究では、乳がんの検出においてマイクロ波放射測定（MWR）に合わせて調整された新しい多層自己統合モデルを紹介します。
私たちのアプローチには、乳房内のさまざまな領域比較を分析するように設計された、ローカルMWR（L-MWR）、Regional-MWR（R-MWR）、およびGlobal-MWR（G-MWR）の3つの異なるモデルが組み込まれています。
これらのモデルは、共同MWR（J-MWR）ネットワークを介して統合されており、各分析レベルで自己制御結果を活用して診断の精度を向上させます。
4,932人の女性患者のデータセットを利用して、私たちの研究は、提案されたモデルの有効性を示しています。
特に、J-MWRモデルは、既存のMWRニューラルネットワークと対照的な方法を上回り、0.74 $ \ PM $ 0.018のマシューの相関係数を実現します。
これらの発見は、MWRベースの乳がん検出の診断精度と一般化可能性を改善する際の自己統合学習技術の可能性を強調しています。
この進歩は、ポイントオブケアテストの有効化に関する将来の調査にかなりの約束を抱えています。
ソースコードは、https：//github.com/cgalaz01/self_contrastive_mwrで入手できます。

要約(オリジナル)

Improving breast cancer detection and monitoring techniques is a critical objective in healthcare, driving the need for innovative imaging technologies and diagnostic approaches. This study introduces a novel multi-tiered self-contrastive model tailored for microwave radiometry (MWR) in breast cancer detection. Our approach incorporates three distinct models: Local-MWR (L-MWR), Regional-MWR (R-MWR), and Global-MWR (G-MWR), designed to analyze varying sub-regional comparisons within the breasts. These models are integrated through the Joint-MWR (J-MWR) network, which leverages self-contrastive results at each analytical level to improve diagnostic accuracy. Utilizing a dataset of 4,932 female patients, our research demonstrates the efficacy of our proposed models. Notably, the J-MWR model achieves a Matthew’s correlation coefficient of 0.74 $\pm$ 0.018, surpassing existing MWR neural networks and contrastive methods. These findings highlight the potential of self-contrastive learning techniques in improving the diagnostic accuracy and generalizability for MWR-based breast cancer detection. This advancement holds considerable promise for future investigations into enabling point-of-care testing. The source code is available at: https://github.com/cgalaz01/self_contrastive_mwr.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google