CMCNet: Allineamento degli Embedding Ecografici con TI-RADS per la Classificazione Fine della Tiroide
Un nuovo studio su arXiv (2608.13939) introduce CMCNet, un framework di deep learning volto ad allineare gli embedding delle immagini ecografiche con le descrizioni testuali di TI-RADS per migliorare la classificazione dei noduli tiroidei. Questa ricerca affronta l'area spesso trascurata delle previsioni multi-classe nell'analisi ecografica della tiroide, che si è concentrata principalmente sulla rilevazione binaria del cancro. Il team ha creato il dataset STN, contenente 600 noduli tiroidei, con immagini ecografiche trasversali e longitudinali corrispondenti, annotazioni di bounding box e etichette dettagliate per tutte e cinque le categorie di caratteristiche TI-RADS. Durante l'addestramento, il modello sfrutta i dati strutturati delle caratteristiche per l'apprendimento della rappresentazione, basandosi esclusivamente sulle immagini per l'inferenza. I risultati suggeriscono che l'uso di embedding testuali da caratteristiche standardizzate può aumentare l'accuratezza della classificazione. Questo articolo è categorizzato come annuncio di tipo cross ed è disponibile su arXiv.
Fatti principali
- CMCNet è un modello di deep learning per la classificazione dei noduli tiroidei.
- Allinea gli embedding delle immagini ecografiche con le rappresentazioni testuali TI-RADS.
- Il dataset STN include 600 noduli tiroidei con immagini e annotazioni accoppiate.
- Il dataset ha etichette complete per tutte e cinque le categorie di caratteristiche TI-RADS.
- Il modello utilizza la supervisione a livello di caratteristiche durante l'addestramento, ma solo immagini durante l'inferenza.
- Lo studio si concentra sulla previsione multi-classe, non solo sulla malignità binaria.
- L'articolo è disponibile su arXiv con ID 2608.13939.
- Il tipo di annuncio è cross.
Entità
Istituzioni
- arXiv