基于深度学习的CC和MLO视图的自适应融合,以改善乳腺癌诊断
Sannasi Chakravarthy Surulimani Ramaraj1, Harikumar Rajaguru1, Rajesh Kumar Dhanaraj2
1Department of Electronics and Communicaiton Engineering, Bannari Amman Institute of Technology, Sathyamangalam 638 401, India.
MethodsX
|March 2, 2026
概括
MammoFusion-Net通过单独处理头骨后 (CC) 和中侧斜 (MLO) 视图来改进乳腺癌从乳房图进行分类. 这种双分支深度学习框架提高了诊断准确性和可解释性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要恶性瘤,需要早期检测以改善存活率.
- 目前用于乳房镜分类的深度学习模型面临诸如不一致的面试特征,诊断细节的丢失和有限的解释性等挑战.
研究的目的:
- 提出MammoFusion-Net,一个新的双分支深度学习框架,用于基于乳腺造影的乳腺癌分类.
- 通过保留视图特定信息和改善不同乳腺学视图的特征集成来解决现有方法的局限性.
主要方法:
- 开发了一种双分支深度学习框架,利用剩余卷积流来独立处理尾 (CC) 和中侧斜 (MLO) 视图.
- 实施了一个有门的交叉视图融合机制,以适应性地整合两种视图的特征,增强歧视力.
- 采用注意力机制来完善多视图功能,以提高分类性能.
主要成果:
- 实现了高分类性能:VinDr-Mammo数据集上的92.116%和INBreast数据集上的95.556%.
- 证明了框架通过独立处理来保存视图特定的解剖信息的能力.
- 使用Grad-CAM可视化验证了模型的可解释性,突出显示了与病变相关的区域.
结论:
- MammoFusion-Net为乳腺癌从乳房影像分类提供了一个强大的解决方案,克服了深度学习方法的关键挑战.
- 拟议的框架显示了改善乳房造影人工智能诊断准确性和可解释性的巨大潜力.
- 多视图特征的自适应融合对于提高乳腺癌在乳腺图像中的歧视至关重要.
