Mar, 2022

VinDr-Mammo：全数字乳腺 X 线摄影计算机辅助诊断的大规模基准数据集

PDF
TL;DRVinDr-Mammo 数据集被介绍成一个用于检测和诊断乳腺癌和其他疾病的基准数据集，旨在促进开发用于乳腺癌筛查的计算机辅助检测和诊断工具的进步，该数据集共包含 5000 个乳腺 X 射线检查的四个标准视图，用于评估乳腺成像报告和数据系统的分类、位置和密度以及非良性结果。
mammographydeep learning-based computer-assisted detectionbreast imaging reporting and data systemvindr-mammo datasetbreast cancer screening
发现论文，激发创造
  • MammoDG：泛化深度学习突破多中心交叉领域乳腺癌筛查的限制

    通过开发 MammoDG，一个新颖的深度学习框架，借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力，研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性，突出了该方法的优越性。

    Aug, 2023

  • MammoDL：使用联邦学习的乳腺 X 线密度估计

    MammoDL 是一种开源软件工具，采用 U-Net 架构来准确估计乳腺密度和复杂性，通过 Open Federated Learning 在多个机构的数据集上实现了安全训练，与其他模型相比，该模型更轻便、更灵活，因为联邦学习使其在更大、更具代表性的数据集上训练，从而提高了泛化能力。

    Jun, 2022

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    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

  • Mammo-CLIP: 一种增强乳腺摄影数据效率与鲁棒性的视觉语言基础模型

    本文提出了针对乳腺癌检测中计算机辅助诊断（CAD）的大型和多样化训练数据的不足问题，通过使用大规模图像文本数据集进行预训练，通过视觉 - 语言模型（如 CLIP）部分解决了计算机视觉中鲁棒性和数据效率的问题。我们首次提出了 Mammo-CLIP，使用大量乳腺癌筛查乳房矩阵报告对其进行了预训练，解决了数据集多样性和规模的挑战。我们在两个公共数据集上的实验证明了该方法在乳腺癌检测中对关键的分类和定位属性表现出了类似 CLIP 在计算机视觉中的数据效率和鲁棒性。此外，我们还提出了 Mammo-FActOR，一种新颖的特征归因方法，可以提供在乳腺病理学报告中基于句子级粒度的空间解释。代码可在公开网址 https://github.com/batmanlab/Mammo-CLIP 上获得。

    May, 2024

  • 一份面向乳腺癌临床决策支持的多机构开源基准数据集，使用合成相关扩散成像数据

    介绍了 Cancer-Net BCa，这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集，可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。

    Apr, 2023

  • VinDr-CXR：放射专家注释的胸部 X 光数据集

    本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

    Dec, 2020

  • 上下文交叉密度适应在噪声乳腺 X 线异常检测中的应用

    本文研究了乳腺密度分布对深度学习模型在乳腺 X 光照片中的泛化性能的影响，并使用 VinDr-Mammo 数据集探索了域自适应技术，特别是噪声潜在可转移性探索（NLTE）框架下的域自适应目标检测（DAOD）来改善模型性能。结果显示，DAOD 和所提出的增强框架可以提高深度学习模型的泛化性能，特别是在乳腺密度分布的情况下，这对乳腺 X 光照片具有重要意义。

    Jun, 2023

  • 乳腺 X 光摄影图像中基于 BI-RADS 的机器学习分类性能

    通过使用来自 1,540 名患者的 2,945 张乳腺超声图像，研究了不同 BI-RADS 定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明，使用多种先进的分类架构（包括 VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet 和 Vision Transformers），而非传统的机器学习模型，通过全方位的分析，我们的计算机辅助诊断 (CAD) 系统显著提高了准确性，在全 fine-tuning 设置下的准确率为 76.39% 和 F1 分数为 67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高，为未来旨在改善医学成像 CAD 系统的精确度和可靠性的努力奠定了坚实的基础。

    Nov, 2023

  • 基于知识的体外模型和数据集，用于对多种乳房特征、病变明显性和剂量的乳房照射检查 AI 进行比较评估

    通过使用合成图像数据集，我们提出了一种评估医学成像人工智能模型的方法，并发现模型性能随乳房密度增加而减小，随质量密度增加而增大，并在低于乳房类型的推荐剂量的曝光水平下获得了最高性能。

    Oct, 2023

  • fastMRI 乳腺：一份公开的乳腺动态增强磁共振成像的径向 k 空间数据集

    这项数据整理工作介绍了诊断性乳腺 MRI 检查中获得的首个大规模径向 k - 空间和 DICOM 数据的乳腺 DCE-MRI 数据集。我们的数据集包括指示患者年龄、更年期状态、病变状态（阴性、良性和恶性）以及每个病例的病变类型的案例级标签。该数据集及其重建代码的公开可用将支持快速和定量的乳腺图像重建和机器学习方法的研究和发展。

    Jun, 2024