MammoDG:泛化深度学习突破多中心交叉领域乳腺癌筛查的限制
通过对来自多家厂商的乳房 X 线照片进行无监督自学习并使用对比学习的方法,提高深度学习模型对于不同风格的图片的概括能力。实验结果表明,该方法在两个公开数据集上均显著优于诸多目前最先进的预测方法。
Apr, 2023
通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势,但限于数据的数量和异质性,我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据,以此作为代替真实患者数据的潜在解决方案,在两种分类模型下,我们的实验表明,共享的生成敌对网络显著提高了变压器和卷积分类模型的性能,突出了这种方法作为中心之间数据共享的可行替代方法。
Mar, 2022
该论文通过对过去 10 年深度学习在乳腺癌成像研究的概述和整理,阐述了深度学习在乳腺癌筛查、诊断、治疗反应预测和预后方面的应用,同时探讨了深度学习在乳腺癌成像方面未来研究的挑战和展望。
Apr, 2023
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
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
本研究开发了一种对深度学习模型进行增广的对比学习方案,通过多样性图片样式训练深度学习网络,可以提高深度学习模型的泛化能力,改进了乳腺摄影病变检测性能,胜过了许多先进的泛化方法。
Nov, 2021
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
当前医学图像分析的机器学习方法主要集中在为特定任务开发定制模型,利用其目标域内的数据。最近,提出了基础模型,它结合了来自各种领域的数据,并展现出出色的泛化能力。本研究在此基础上引入了多领域医学图像的结合,包括不同的成像方式如 X 线、MRI、CT 和超声图像,以及各种视角如轴位、冠状位和矢状位。我们称之为多领域模型,并将其性能与特定模型进行了对比。研究结果强调了多领域模型在数据有限和常遇到的超出分布情况下的优越泛化能力,尤其在医疗应用中。多样数据的整合使多领域模型能够利用跨领域的共享信息,显著提高整体结果。举例而言,在器官识别方面,与传统专用模型相比,多领域模型的准确性可以提高 10%。
Oct, 2023
本文提出了一个神经网络模型,利用全局关注图和多个局部区域的信息来分类乳腺癌病变,该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能,并生成可能的恶性发现的像素级显著图。
Jun, 2019
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