乳がんのスクリーニングの改善: スパール・バイパートイト・グラフ・アテンション・ネットワークによる双視マモグラフィの説明可能なクロスビューの貢献を明らかにする

科学分野:

• 医療用イメージング
• 人工知能
• 腫瘍学

背景:

• マンモグラフィーは乳がんの早期発見に不可欠であり,通常は乳房ごとに2つのビューを使用します.
• コンピュータ・アイド・診断 (CAD) ツールでは,複雑さとスケールの違いにより,単一ビュー分析に苦労します.
• デュアルビューのマンモグラフィー分析は,投影の違いと異なる取得プロトコルのために困難です.

研究 の 目的:

• デュアルビュー マンモグラフィー分析のための高度なグラフニューラルネットワーク (GNN) モデルを開発する.
• 2つのマンモグラフィー画像から得られた補完的な情報を用いて,乳がんの検出と分類の精度を高める.
• 放射線科医の意思決定に役立つ 解釈可能なAIモデルを作成します

主な方法:

• 画像情報を階層的に表現するためにスーパーピクセル分解を使用しました.
• マンモグラフィの情報共有を容易にするための二重ビューグラフを設計しました.
• 関連するデュアルビュー関係をキャプチャするために,修正された Sparse Graph 注意層を実装しました.
• 公的および私的なデータセットに対して完全に監督されたトレーニングアプローチを採用しました.

主要な成果:

• フルフィールド・デジタル・マンモグラフィーの分類と検出における最先端の性能を達成した.
• INbreastのデータセットでは,曲線下の面積 (AUC) が0. 96に達した.
• VinDrデータセットでは,低偽陽性率 (0. 33/ 画像) とAUC0. 92に達した.

結論:

• 提案されたSparse Graph Attention GNNは,マルチスケール画像情報とデュアルビューの互補性を効果的にモデル化しています.
• この方法は,視界登録を必要とせずに,放射線医を助けるために,解釈の能力を向上させています.
• マンモグラフィの乳がん検知と分類の精度において顕著な進歩を示した.