提高乳腺癌查:揭示可解释的双视图母乳镜中的交叉视图贡献

科学领域:

• 医学成像
• 人工智能
• 癌症学

背景情况:

• 乳房扫描对于早期发现乳腺癌至关重要,通常使用两个视图.
• 由于复杂性和规模变化,计算机辅助诊断 (CAD) 工具难以进行单视图分析.
• 由于投影差异和不同的采集方案,双视图乳房图分析具有挑战性.

研究的目的:

• 开发一个先进的图形神经网络 (GNN) 模型,以改善双视图乳房分析.
• 通过两次乳腺扫描的互补信息,提高乳腺癌检测和分类的准确性.
• 创建一个可解释的AI模型,帮助放射科医生做出决定.

主要方法:

• 使用超像素分解来分层表示图像信息.
• 设计了一个双视图,以促进乳房图视图之间的信息共享.
• 实现了修改后的 Sparse Graph 注意层,以捕捉相关的双视图关系.
• 在公共和私人数据集上采用完全监督的培训方法.

主要成果:

• 在全场数字乳房镜分类和检测方面取得了先进的表现.
• 在INbreast数据集中达到0.96的乳腺曲线下的面积 (AUC).
• 在VinDr数据集中达到0. 97的灵敏度,错误阳性率低 (每图像0. 33),AUC为0. 92.

结论:

• 拟议的Sparse Graph Attention GNN有效地模拟多尺度图像信息和双视图互补性.
• 该方法提供了更好的解释性,帮助放射科医生而不需要视图注册.
• 在乳腺癌检测和分类精度方面取得显著进展.