通过转移学习增强乳腺损伤检测在乳房扫描通过转移学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 通过乳房扫描早期发现乳腺癌显著提高了患者的存活率.
• 先进的物体检测模型对于精确分析乳房图像至关重要.

研究的目的:

• 评估各种物体检测模型 (Cascade R-CNN,YOLOv12变体,RTMDet-X,RT-DETR-X) 的性能,以检测乳腺癌质量和化.
• 评估标准化预处理和增强技术对模型性能的影响.
• 调查跨不同公共乳房造 mammography 数据集的转移学习的有效性.

主要方法:

• 应用了标准化的预处理 (CLAHE,裁剪) 和增量 (旋转,缩放).
• 在四个公共数据集上训练和验证模型:INbreast,CBIS-DDSM,VinDr-Mammo和EMBED.
• 性能指标包括精度,回忆,平均精度在IoU 0.5 (mAP50) 和F1得分.

主要成果:

• YOLOv12-L表现出极好的质量检测性能 (mAP50=0.963,F1=0.917 在INbreast上).
• 预处理提高了mAP50的高达0.209;转移学习提高了INbreast的性能,达到mAP50=0.995.
• 域位转移导致CBIS-DDSM和VinDr-Mammo的性能下降;化检测仍然很弱 (mAP50 < 0.116).

结论:

• 高容量模型,预处理和增强对乳腺癌大规模检测有价值.
• 对于强大的化检测和有效的领域适应,需要进一步的研究,在乳腺学AI模型中.