本文提出了一种新的乳腺 X 光照片肿块检测框架，名为交叉视图关系区域卷积神经网络（CVR-RCNN），对来自两个配对视图的相应质量兴趣区域（ROIs）之间的潜在关系信息进行了捕捉，并在公共和私人数据集上取得了较之前的最新研究方法更出色的结果，说明跨两个视角的关系信息结合有助于训练出更好的检测模型，有很大应用潜力。

Jul, 2019

我们提出了一个名为 MAMM-Net 的新模型，该模型能够同时处理两种乳腺 X 射线摄影图像，并通过整合对象级别和特征级别的信息，基于可变形注意力实现了增加检测精度并保持高召回率。在公开的 DDSM 数据集上，我们的实验表明与先前最先进的模型相比，MAMM-Net 具有卓越的性能，同时引入了新的有益特性，如像素级别病变注释和病变恶性分类。

Apr, 2024

本文提出一种基于参数化超复数神经网络的多视角乳腺癌分类方法，有效地捕捉乳腺内不同视角的相关性，模拟医生的诊断过程，试验证明该方法在乳腺癌分类中能够显著优于传统的深度学习方法和目前的先进方法。

Apr, 2022

近年来，许多乳腺 X 光摄影图像分析方法已被引入以改善癌症分类任务。本研究提出了两种主要问题的解决方案：利用多视图信息和处理类别不平衡问题。针对这两个问题，我们提出了简单而新颖的方法，通过利用辅助视图的低级特征信息，增强了主要视图，以学习包含癌症特征的高级特征，并提出了一种适用于上采样次要类别样本的恶性乳腺 X 光摄影合成框架，效果优于传统方法。

Sep, 2023

本文提出了一种创新的基于 Transformer 的多视图网络，用于解决乳房 X 线照片分类中的挑战。我们的方法通过引入一种新颖的基于移动窗口的动态注意力块，促进多视图信息的有效集成，并在空间特征映射级别上促进该信息在视图之间的一致传递。此外，我们使用 CBIS-DDSM 和 Vin-Dr Mammo 数据集对基于 Transformer 的模型在不同设置下的性能和有效性进行了全面的比较分析。我们的代码公开可用于此 https URL。

Feb, 2024

研究使用多视角视觉 Transformer 构建计算机辅助诊断方案，在不需要繁琐的预处理步骤的情况下，基于四张乳腺 X 线照片的 Transformer 模型达到了 81.8% 的诊断准确率，优于当前多视角 CNN 的诊断准确率。

Jun, 2022

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

本研究提出了一种基于深度学习的共同关注网络，用于多模态数据的子空间学习，能够提取共性信息和补充信息，并通过协同关注机制向最终用户提供预测的解释。通过引入分类器和交叉重构损失以优化潜在表示和加速收敛速度，最终在合成数据和实际数据集上进行了广泛评估。

Feb, 2021

该文提出了一种利用卷积神经网络和视觉变压器结合的方法，用于从多视角合并信息以提高 X 射线图像分类性能，实验表明该方法超越了单视角模型以及传统的多视角分类架构。

Feb, 2023

通过提出的参数化超复杂关注地图（PHAM）框架，我们展示了其在乳腺癌图像分类方面的有效性，该框架使用深度学习技术和关注地图来改善诊断性能，并在乳腺癌图像和组织学图像方面超越了基于注意力的最先进网络和现有方法的实值版本。

Oct, 2023