MMJun, 2022

MammoDL：使用联邦学习的乳腺 X 线密度估计

PDF
TL;DRMammoDL 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。
breast cancer riskimagingmachine learningmammodlopen federated learning
发现论文，激发创造
  • 2022 ACR-NCI-NVIDIA 联邦学习挑战中自动乳腺密度分类的公平评估结果

    乳房密度的正确解释对于评估乳腺癌风险很重要。利用人工智能准确预测乳房密度的能力已经得到证明，然而，由于乳房 X 光成像系统的特性差异，使用一个系统的数据构建的模型在其他系统上泛化能力不强。联邦学习已被提出作为一种提高人工智能泛化性能的方法，而无需共享数据，但在联邦学习中如何保留所有训练数据的特征仍然是一个活跃的研究领域。为了探索联邦学习方法，与美国放射学学会，哈佛医学院的 Mass General Brigham，科罗拉多大学，NVIDIA 和国立卫生研究院国家癌症研究所合作举办了乳房密度分类联邦学习挑战赛。挑战参与者可以提交能够在三个模拟的医疗机构上实现联邦学习的 docker 容器，每个机构都包含一个独特的大型乳房 X 光数据集。乳房密度联邦学习挑战赛从 2022 年 6 月 15 日持续到 9 月 5 日，吸引了来自世界各地的七个入围者。获胜的联邦学习解决方案在挑战测试数据上达到了线性 kappa 分数 0.653，并在外部测试数据集上达到了 0.413 的分数，与在一个中心位置训练的模型相当。

    May, 2024

  • 乳腺密度分类的联邦学习：一个实际实现

    本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

    Sep, 2020

  • 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

  • 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

    VinDr-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。

    Mar, 2022

  • 拟合预测在乳腺 X 线照片中评估乳房密度的三种应用

    本文介绍了深度学习方法在乳腺癌早期检测中的应用，以及新的基于一致性预测的方法，旨在增加医生对算法的信任度，提高医学图像的诊断质量。

    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

  • 基于分布式联邦学习的隐私 MRI 脑瘤检测深度学习模型

    本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

    Apr, 2024

  • 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

  • 多尺度深度分类器使用于乳腺 X 线摄影评估

    利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。

    Jun, 2018

  • FPN-IAIA-BL: 数字乳房 X 线照片乳房肿块边界分类的多尺度可解释性深度学习模型

    数字乳房 X 线摄影是乳腺癌检测的关键，而深度学习为更快、更准确的乳房 X 线分析提供了有前途的工具。然而，在放射学和其他高风险环境中，不可解释的（“黑盒子”）深度学习模型不适用，并且这些领域对于希望创建可解释模型的呼声很高。最近在可解释计算机视觉方面的研究通过利用案例解释中的原型实现透明性，提供了高准确性的应用，包括乳房 X 线摄影。然而，这些模型在精确特征定位方面存在困难，当只有一小部分图像相关时，需要对图像的大部分进行推理。本文通过提出一种新的多尺度可解释深度学习模型来解决这一差距，用于乳房 X 线摄影的肿块边缘分类。我们的贡献不仅提供了一个可解释的模型，其推理与放射科医生的实践相吻合，而且提供了一个通用架构，用于从粗粒度到细粒度的用户可配置的原型。

    Jun, 2024