⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-22 更新
Externally Validated Multi-Task Learning via Consistency Regularization Using Differentiable BI-RADS Features for Breast Ultrasound Tumor Segmentation
Authors:Jingru Zhang, Saed Moradi, Ashirbani Saha
Multi-task learning can suffer from destructive task interference, where jointly trained models underperform single-task baselines and limit generalization. To improve generalization performance in breast ultrasound-based tumor segmentation via multi-task learning, we propose a novel consistency regularization approach that mitigates destructive interference between segmentation and classification. The consistency regularization approach is composed of differentiable BI-RADS-inspired morphological features. We validated this approach by training all models on the BrEaST dataset (Poland) and evaluating them on three external datasets: UDIAT (Spain), BUSI (Egypt), and BUS-UCLM (Spain). Our comprehensive analysis demonstrates statistically significant (p<0.001) improvements in generalization for segmentation task of the proposed multi-task approach vs. the baseline one: UDIAT, BUSI, BUS-UCLM (Dice coefficient=0.81 vs 0.59, 0.66 vs 0.56, 0.69 vs 0.49, resp.). The proposed approach also achieves state-of-the-art segmentation performance under rigorous external validation on the UDIAT dataset.
多任务学习可能会受到破坏性任务干扰的影响，联合训练的模型在单任务基准线下面表现不佳，并限制了泛化能力。为了改进基于乳腺超声的肿瘤分割的多任务学习的泛化性能，我们提出了一种新的一致性正则化方法，该方法减轻了分割和分类之间的破坏性干扰。一致性正则化方法由可启发BI-RADS形态特征的BI-RADS构成。我们在波兰BrEaST数据集上训练了所有模型，并在三个外部数据集上对它们进行了评估：西班牙UDIAT、埃及BUSI和西班牙BUS-UCLM。我们的综合分析显示，所提出的多任务方法在泛化方面表现出统计学上显著（p<0.001）的改进，特别是在分割任务上相对于基准线：UDIAT、BUSI和BUS-UCLM（Dice系数分别为0.81 vs 0.59、0.66 vs 0.56、0.69 vs 0.49）。此外，在UDIAT数据集上进行严格外部验证时，所提出的方法还实现了最先进的分割性能。
论文及项目相关链接
Summary
本文提出一种新型的一致性正则化方法，用于改善多任务学习在乳腺超声肿瘤分割中的泛化性能。该方法通过可微分的BI-RADS启发形态特征设计而成，能够有效缓解分割和分类任务之间的破坏性干扰。在BrEaST数据集（波兰）上训练模型并在三个外部数据集上进行评估，结果显示所提出的多任务方法相较于基线方法在分割任务上的泛化性能有显著改善（p<0.001）。在UDIAT数据集上的外部验证结果也达到了最先进的分割性能。
Key Takeaways
- 提出一种一致性正则化方法，用于多任务学习的乳腺超声肿瘤分割任务。
- 通过引入可微分的BI-RADS启发形态特征，提高了模型的泛化性能。
- 在BrEaST数据集上训练模型，并在三个外部数据集上进行评估。
- 所提出的多任务方法相较于基线方法在分割任务的泛化性能有显著改善（p<0.001）。
- 在UDIAT数据集上的外部验证结果达到了最先进的分割性能。
- 新型方法能够有效缓解分割和分类任务之间的破坏性干扰。