Sep, 2023

探索多视角网络下同侧乳房摄影评估

PDF
TL;DR在这项工作中，我们旨在探索多样的融合策略，并研究模型在不同个体和不同的融合路径（包括 Coarse Layer 和 Fine Layer）下的学习行为。使用了包含预融合、提前融合、中间融合、最后融合和后续融合五种融合类型，基于 ResNet-18 的同侧多视图网络被采用。特别地，中间融合被发现是最平衡和最有效的方法，在 VinDr-Mammo 数据集上通过平均和连接融合分别提高了 5.29% 和 5.9% 的深度学习模型的泛化性能，而在 CMMD 数据集上提高了 2.03% 和 3% 的泛化性能，衡量指标为宏 F1-Score。本文强调了在多视图网络提取中，分配层的重要作用以及不同策略的影响。
multi-view mammogram analysisfusion strategiesipsilateral multi-view networkdeep-learning modelsmulti-view network extraction
发现论文，激发创造
  • 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

  • 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

  • 多视点 Swin Transformer 的乳房 X 光分类

    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

  • 多视图乳腺癌分类的超复数神经架构

    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

  • Transformers 改善未注册多视角乳腺 X 线诊断

    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

  • 乳腺 X 光摄影乳房结节检测的交叉视图关系网络

    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

  • MultiFusionNet：多层次多模态深度神经网络的胸部 X 光图像分类

    通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部 X 射线图像中的疾病分类。

    Jan, 2024

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • Mammo-CLIP：利用对比式语言 - 图像预训练（CLIP）对多视角乳腺摄影增强乳腺癌诊断

    通过多视图乳房 X 光片和简单文本的多模态框架 Mammo-CLIP，本研究展示了应用微调视觉语言模型来开发下一代基于图像文本的乳腺癌 CAD 方案的潜力。

    Apr, 2024

  • 鲁棒的全面乳腺 X 线图片分类的双视角相关混合注意力网络

    本文提出了一种双视图相关混合注意力网络（DCHA-Net），可用于强健的乳腺 X 线分类，利用局部关系和非局部注意块来最大化两个视图之间的基础相关性，通过为相应的条带状区域引入双视图相似度最大化的损失来提高该网络性能。

    Jun, 2023