乳腺 X 线摄影纵向风险预测
通过序列乳腺摄影及深度学习方法,RADIFUSION 可以对乳腺癌患者的筛查进行风险评估,通过多样的深度学习机制和双侧不对称微调等方法来提高模型精度,并在 Cohort of Screen-Aged Women (CSAW) 数据集上显著提高了 1 年内、2 年内和 > 2 年的病人所受风险的区分度,是一种因素多样的乳腺癌风险评估工具。
Apr, 2023
本文提出了一种计算机辅助自动乳房 X 线摄影分析系统,其中包含三个连续的图像处理、特征选择和图像分类阶段,可以有效分类正常或癌症,实验证明该系统可以提高分类性能。
Dec, 2020
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
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
乳腺癌是导致癌症相关死亡的主要原因,但目前的计划成本高且容易出现误报,导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案,旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试,约有 2 万名女性患者,并在方法间获得了平均验证 pF1 分数为 0.56。
Jul, 2023
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
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
通过开发 MammoDG,一个新颖的深度学习框架,借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力,研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性,突出了该方法的优越性。
Aug, 2023