多视点 Swin Transformer 的乳房 X 光分类

Feb, 2024

多视点 Swin Transformer 的乳房 X 光分类

MV-Swin-T: Mammogram Classification with Multi-view Swin Transformer

Sushmita Sarker, Prithul Sarker, George Bebis, Alireza Tavakkoli

TL;DR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。

Abstract

Traditional deep learning approaches for breast cancer classification has predominantly concentrated on single-view analysis. In clinical practice, however, radiologists concurrently examine all views within a mammography exam, leveraging the inherent correlations in these views to eff

breast cancer classification multi-view analysis mammographic image classification transformer-based models attention block

发现论文，激发创造

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

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

StudyFormer：基于注意力和动态多视角分类器的 X 光图像研究

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

利用混合多任务 CNN-Transformer 网络进行乳腺超声肿瘤分类

本研究提出了一种混合多任务深度神经网络 (Hybrid-MT-ESTAN)，用于乳腺超声图像的肿瘤分类和分割，该网络结合了 CNN 和 Swin Transformer 组件，实现了对全局上下文信息的捕捉和局部图像模式的保留，并在一个包含 3320 个超声图像的数据集上与九种分类方法进行了比较，结果表明 Hybrid-MT-ESTAN 取得了 82.7% 的准确率、86.4% 的灵敏度和 86.0% 的 F1 分数。

Aug, 2023

SwinMM: Swin 变换器的蒙版多视图用于 3D 医学图像分割

通过引入多视角信息和自监督学习，本研究提出了一种名为 SwinMM 的新型多视角流水线，以提高医学图像分割预训练模型的准确性和数据效率。

Jul, 2023

TransReg：多视图乳腺 X 线检测中的交叉变换器作为自动注册模块

利用多视角乳房 X 光照片的信息，利用交互变换器建模同侧视图之间的关系来检测和预测乳房肿块，取得了令人满意的效果。

Nov, 2023

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

Swin Transformer 用于快速磁共振成像

采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建，在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后，得出了良好的重建效果。

Jan, 2022

利用 Transformer 改进多模态和纵向数据的乳腺癌分类和风险评估

通过多模态变压器（MMT）神经网络，综合使用乳腺 X 光摄影和超声波，针对目前患癌患者和目前无癌患者，识别患者及估计未来胸部癌症风险的研究表明，MMT 在检测现有癌症方面取得了 AUROC 值为 0.943 的成绩，并超过了单模态基线，对于 5 年风险预测，MMT 实现了 AUROC 值为 0.826，胜过以往基于乳腺 X 光摄影的风险模型。本研究凸显了多模态和纵向成像在癌症诊断和风险分层中的价值。

Nov, 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