跟随放射科医生：从乳房 X 光照片中检测乳腺癌的临床相关多视图提示
文章目录
- Follow the Radiologist: Clinically Relevant Multi-view Cues for Breast Cancer Detection from Mammograms
-
- 摘要
- 方法
- 实验结果
Reference the Radiologist: Clinical Relevance of Multiview Features in Breast Cancer Detection from Mammoetry
摘要
背景： 使用基于深度学习的对象检测模型的自动乳腺癌检测已经实现了高灵敏度，但通常难以应对高假阳性率。虽然放射科医生能够使用多个视图分析和识别乳腺 X 光检查中的恶性肿块，但这对基于深度学习的模型构成了挑战。受自然图像中物体外观在多个视图中的行为方式的启发，研究人员提出了几种技术来利用肿瘤在多个视图中的位置之间的几何对应并减少假阳性
目的： 质疑这些线索的临床相关性，两个乳房 X 光检查视图之间的几何对应存在固有的歧义，因此不可能进行精确的几何对齐
方法： 在两个视图之间匹配形态线索。利用计算机视觉中对象检测方法的最新进展，我们采用了最先进的 transformer 架构来使用建议的形态学线索。
结果： 与几何对齐相比，提出的线索更符合临床医生的方法。使用我们的方法，我们在基准 INBreast 数据集上显示，每张图像的假阳性 （FPI） 为 0.3，灵敏度显著提高了 5%。我们还报告说，AIIMS 和基准 DDSM 数据集分别提高了 2% 和 1%。
代码地址
方法
图 1. 几何不一致
（a）通过乳腺 X 光标志与交叉视图对位来实现癌症的精确识别。
（b）、（c） 和 （d）展示了具有肿瘤的三维乳腺模型。
（b）模仿了 （a），而 （c） 和 （d）则显示了不同视角下肿瘤位置的变化情况。这些结果表明，在协调肿瘤位置方面，几何对位的作用较为有限。
模型概述（如图 2所示）：从两个不同的视图获取乳腺 X 射线影像作为输入。被对象检测模型处理后生成一系列初始提报。随后通过提案优化网络对该系列提报进行细化处理，并由此推断出各视角之间提报间的相互关联关系
参考放射科医生的做法，在基于 MLO 视图获取每个预测的同时，在另一视角 CC 中定位其候选预测。
实验结果
