乳腺癌是导致癌症相关死亡的主要原因，但目前的计划成本高且容易出现误报，导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案，旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试，约有 2 万名女性患者，并在方法间获得了平均验证 pF1 分数为 0.56。

Jul, 2023

文章对乳腺癌的检测进行了探究，提出了一种基于离散小波变换、傅里叶变换和朴素贝叶斯分类器的方法，在分析乳腺 X 线摄影图像的统计特征的基础上，实现了高准确率的乳腺癌检测。

Jan, 2022

评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

May, 2023

本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

Jul, 2017

使用卷积神经网络对乳腺 X 线摄影筛查中预分割乳腺肿块进行良恶性分类，通过转移学习、预处理和数据增强等方法优化模型，在 DDSM 数据集上取得最好的结果，超过了人类表现，并且展示了模型的可解释性。

Dec, 2016

本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

Mar, 2022

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

Dec, 2023

本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

May, 2023

提出了一种计算机辅助诊断 (CAD) 系统，通过多参数图像特征组合来区分乳腺 MRI 检查中的癌性和非癌性病变，并使用规则提取算法以易于理解的图形可视化方式呈现病变分类结果。

Jun, 2016