超越人类准确性：利用课程学习从超声图像中检测胆囊癌

我们探讨了基于卷积神经网络（CNN）的模型在超声图像（USG）中检测胆囊癌（GBC）的潜力，因为目前尚未有相关研究。由于其低成本和易获取性，超声检查是诊断胆囊疾病最常用的方法。然而，由于传感器的手持性质，超声图像的质量较低、存在噪声且视角多变，这给图像分析带来了挑战。我们对最先进的（SOTA）图像分类技术进行了详尽的研究，发现这些技术往往因超声图像中的阴影而无法学习到显著的胆囊区域。此外，最先进的目标检测技术也因噪声或邻近器官引起的虚假纹理而准确率较低。为此，我们提出了GBCNet来应对这些问题。GBCNet首先通过检测胆囊（而非癌症）来提取感兴趣区域（ROIs），然后使用一种新的多尺度、二阶池化架构专门用于分类胆囊癌。为了有效处理虚假纹理，我们提出了一种受人类视觉敏锐度启发的课程方法，以减少GBCNet中的纹理偏差。实验结果表明，GBCNet显著优于最先进的CNN模型以及专家放射科医生。我们的技术创新同样适用于其他超声图像分析任务。因此，作为验证，我们还展示了GBCNet在乳腺癌超声图像检测中的有效性。项目页面包含源代码、训练好的模型和数据集，地址为https://gbc-iitd.github.io/gbcnet