Aug, 2023

M&M: 用多视角和多实例学习稀疏检测器解决乳腺 X 光检查中的误报问题

PDF
TL;DR通过利用深度学习目标检测方法，我们提出了 M&M 这种多视角和多实例学习系统，以解决乳房 X 线摄影中错误阳性的问题，并在五个乳房 X 线摄影数据集上验证了其性能。
deep-learning-based object detectionmammographyfalse positivessparse r-cnnmulti-instance learning
发现论文，激发创造
  • 稀疏标签分配的深度多实例网络用于乳腺 X 线照片整体分类

    通过使用深度多实例网络对乳腺摄影进行分类，本文成功地实现了对乳腺癌进行计算机辅助诊断，消除了传统方法中昂贵的手动标注和特定计算模型的需要。该文在 INbreast 数据集上开展的实验结果表明，所提出的深层网络相对于先前使用分割和检测注释进行训练的工作具有更好的鲁棒性。

    Dec, 2016

  • 双视角乳腺 X 线照片肿块检测的特征融合

    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

  • 用于乳腺 X 光照片分类的多尺度卷积神经网络和课程学习策略

    利用课程学习策略训练的多尺度卷积神经网络，在乳腺 X 线摄影术中，通过分割病变区域、全局判定等方法，高度准确地分类了乳腺 X 线摄影术图像，实现了对乳腺癌的早期检测。

    Jul, 2017

  • 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

  • 逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

    自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

    Oct, 2023

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 面向全球的乳腺癌筛查多实例分类器

    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

  • 朝向对侧双视图乳腺癌分析的稳健自然形态乳房 X 射线创伤综合

    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

  • 基于多风格和多视角对乳腺 X 光检测的领域泛化方法

    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

  • 利用深度卷积神经网络从乳房 X 光照片中分类乳房肿块

    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