Augmented Intelligence for Multimodal Virtual Biopsy in Breast Cancer Using Generative Artificial Intelligence
Department of Radiology, Fondazione Policlinico Campus Bio-Medico（放射学系，政策临床医学院）；Department of Radiology, Università Campus Bio-Medico di Roma（放射学系，罗马生物医学大学）；Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入系，辐射物理，生物医学工程，乌梅拉大学）
本文提出基于生成式人工智能的多模态虚拟活检方法，整合FFDM和CESM模态以提高乳腺病变分类准确性，并公开数据集促进研究进展。
2025-01-31 cs.AI cs.CV eess.IV
CorePath: A Breast-Specialized Pathology Foundation Model for Core Needle Biopsy Diagnosis and Risk-Controlled Report Generation
本研究开发乳腺专用病理基础模型CorePath，经7901对数据微调后，在多队列及基准上的CNB诊断任务中性能优于现有模型，结合风险控制模块实现低幻觉的可靠报告生成。
2026-09-23 cs.AI cs.CV cs.LG
Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides
Beijing Chao-Yang Hospital（北京朝阳医院）；Beijing University of Posts and Telecommunications（北京邮电大学）
目的：开发并验证基于深度学习（DL）的原发性肿瘤活检特征，用于在临床阴性的早期乳腺癌（EBC）患者中术前预测腋窝淋巴结（ALN）转移。方法：从2010年5月至2020年8月，共招募了1，058例经病理证实的ALN状态的EBC患者。在基于注意力的多实例学习（AMIL）框架上建立DL芯针活检（DL-CNB）模型，以利用DL特征预测ALN状态，所述DL特征从由两名病理学家注释的乳腺CNB标本的数字化全载玻片图像（WSIs）的癌症区域中提取。准确性，灵敏度，特异性，受试者工作特征（ROC）曲线，和ROC曲线下面积（AUC）进行了分析，以评估我们的模型。结果如下：使用VGG16_BN作为特征提取器的性能最佳的DL-CNB模型在预测独立测试队列中的阳性ALN转移方面实现了0.816的AUC（95%置信区间（CI）：0.758，0.865）。此外，我们结合临床数据的模型（称为DL-CNB+C）的准确度最高，为0.831（95%CI：0.775，0.878），尤其是对于年龄小于50岁的患者（AUC：0.918，95%CI：0.825，0.971）。DL-CNB模型的解释显示，最能预测ALN转移的前几个特征由核特征表征，包括密度（$p$ = 0.015）、周长（$p$ = 0.009）、圆形度（$p$ = 0.010）和方向（$p$ = 0.012）。结论：我们的研究提供了一种新的基于DL的原发性肿…
2022-06-08 cs.CV eess.IV physics.med-ph
Masked Video Modeling with Correlation-aware Contrastive Learning for Breast Cancer Diagnosis in Ultrasound
Shenzhen University（深圳大学）；Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University（中山大学孙逸仙纪念医院）
乳腺癌是女性癌症死亡的主要原因之一。作为乳腺筛查的主要输出，乳腺超声（US）视频包含用于癌症诊断的独家动态信息。然而，用于视频分析的训练模型是不平凡的，因为它需要大量的数据集，这也是昂贵的注释。此外，乳腺病变的诊断面临着独特的挑战，如类间的相似性和类内的变化。在本文中，我们提出了一种开创性的方法，直接利用美国的视频在计算机辅助乳腺癌诊断。它利用掩码视频建模作为预训练，以减少对数据集大小和详细注释的依赖。此外，一个相关意识的对比损失的发展，以促进识别良性和恶性病变之间的内部和外部的关系。实验结果表明，我们提出的方法取得了良好的分类性能，可以优于其他国家的最先进的方法。
2022-09-10 cs.CV
Automated detection of celiac disease on duodenal biopsy slides: a deep learning approach
Dartmouth（达特茅斯学院）
近年来，乳糜泻的患病率和诊断率大幅增加。目前确定乳糜泻的金标准是目视检查十二指肠粘膜活检。使用深度学习的精确计算机辅助活检分析系统可以帮助病理学家更有效地诊断乳糜泻。在这项研究中，我们训练了一个深度学习模型来检测十二指肠活检图像上的乳糜泻。我们的模型使用最先进的残差卷积神经网络来评估十二指肠组织的补丁，然后将这些预测汇总用于整个载玻片分类。我们在一个包含212张图像的独立集上测试了该模型，并根据病理学家建立的参考标准评估了其分类结果。我们的模型识别乳糜泻、正常组织和非特异性腹膜炎的准确率分别为95.3%、91.0%和89.2%。所有类别的受试者工作特征曲线下面积均大于0.95。我们开发了一种自动活检分析系统，可在活检载玻片上检测乳糜泻方面实现高性能。我们的系统可以突出感兴趣的区域，并在病理学家审查之前提供十二指肠活检的初步分类。该技术在提高乳糜泻诊断的准确性和效率方面具有巨大潜力。
2019-01-31 cs.CV
A Medical Pre-Diagnosis System for Histopathological Image of Breast Cancer
George Washington University（乔治华盛顿大学）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
本文构建了一种新型的智能医疗诊断系统，该系统能够实现自动通信和乳腺癌病理图像识别。该系统包括两个主要部分，一个是预训练的聊天机器人M-Chatbot，另一个是改进的EfficientNetV 2-S神经网络模型EfficientNetV 2-SA，其中上层的激活函数由ACON-C代替。M-Chatbot利用信息检索机制，指导患者将乳腺病理图像发送到EfficientNetV 2-SA网络，然后经过迁移学习训练的分类器将返回诊断结果。我们分别在外部指标和BreakHis数据集上验证了我们的聊天机器人和分类的性能。M-Chatbot的任务完成率达到63.33%。对于BreakHis数据集，EfficientNetV 2-SA网络的最高准确率达到了84.71%。所有这些实验结果表明，该模型可以提高图像识别的准确性和我们的新的智能医疗诊断系统是成功的，有效地提供自动诊断乳腺癌。
2021-09-16 cs.CV
Real-time prediction of breast cancer sites using deformation-aware graph neural network
Yonsei University, School of Mathematics and Computing (Computational Science and Engineering)（延世大学数学与计算科学学院）；Yonsei University, Division of Software（延世大学软件系）；Yonsei University College of Medicine, Department of Radiation Oncology（延世大学医学院放射肿瘤科）；Korea Institute of Science and Technology, Bionics Research Center（韩国科学技术院生物医学研究中心）；Graduate School of Artificial Intelligence, Pohang University of Science and Technology (POSTECH)（釜山科学技术大学人工智能研究生院）
针对间接MRI引导乳腺活检中实时形变建模难题，本文提出形变感知GNN模型，结合个体FE模拟数据训练，实现亚毫米级肿瘤位移预测，推理速度较传统FE仿真提升超4000倍，可支撑临床精准高效活检。
2025-11-17 cs.CV cs.LG
Virtual Biopsy for Intracranial Tumors Diagnosis on MRI
School of Artificial Intelligence and Data Science University of Science and Technology of China（人工智能与数据科学学院 中国科学技术大学）
本文提出虚拟活检框架，利用MRI和视觉-语言模型实现颅内肿瘤的非侵入性病理预测，准确率超过90%
2026-02-25 cs.AI cs.CV
Deep learning approach for breast cancer diagnosis
Faculty of Informatics and Computer Science（信息与计算机科学学院）；The British University in Egypt（埃及英国大学）；Faculty of Science, Suez Canal University（苏伊士运河大学理学院）
乳腺癌是世界范围内的主要致命疾病之一，如果早期发现，风险控制很高。乳房筛查的常规方法是X射线乳房摄影术，已知其对于癌症病变的早期检测具有挑战性。由于成像过程中的压缩过程而产生的致密乳房结构导致难以识别小尺寸异常。此外，乳房组织的内部和内部变化导致使用手工制作的特征实现高诊断准确性的显著困难。深度学习是一种新兴的机器学习技术，需要相对较高的计算能力。然而，事实证明，它在一些需要人类智力水平决策的困难任务中非常有效。在本文中，我们开发了一种新的网络架构的灵感来自U-网结构，可用于有效和早期检测乳腺癌。结果表明，高比率的敏感性和特异性，表明潜在的实用性，所提出的方法在临床使用。
2020-03-10 cs.CV
Breast Lesion Diagnosis Using Static Images and Dynamic Video
Shanghai Jiao Tong University（上海交通大学）；Ruijin Hospital, Shanghai Jiaotong University School of Medicine（上海交通大学医学院附属瑞金医院）
本研究针对乳腺超声诊断提出一种多模态模型，通过静态图像领域知识引导聚合动态视频特征后融合两类信息，在897组数据的数据集上实现90.0%的AUC和81.7%的良恶性分类准确率。
2023-08-19 cs.CV
Pre and Post-hoc Diagnosis and Interpretation of Malignancy from Breast DCE-MRI
The University of Adelaide（阿德莱德大学）；Queensland University of Technology（昆士兰科技大学）；Instituto Superior Tecnico（里斯本高等理工学院）
我们提出了一种新的方法，用于乳腺癌筛查从DCE-MRI的基础上事后的方法，训练使用弱注释的数据（即，标签仅在没有任何病变描绘的图像级可用）。我们提出的事后方法自动诊断整个体积，对于阳性病例，它定位恶性病变，导致这样的诊断。相反地，传统方法遵循预先方法，其最初定位可疑区域，随后对其进行分类以建立乳腺恶性肿瘤-该方法使用强注释数据（即，它需要对图像中的所有病变进行描绘和分类）。本文的另一个目标是建立这两种方法的优点和缺点时，适用于乳腺癌筛查的DCE-MRI。依赖于包含117名患者的扫描的乳腺DCE-MRI数据集上的实验，我们的结果表明，事后方法对于诊断每个患者的整个体积更准确，达到0.91的AUC，而事前方法达到0.81的AUC。然而，由于训练期间采用的弱标记数据集，定位恶性病变的性能对于事后方法仍然具有挑战性。
2019-02-04 cs.CV
HER2 and FISH Status Prediction in Breast Biopsy H&E-Stained Images Using Deep Learning
Indian Institute of Technology, Bombay（印度理工学院孟买分校）；Indian Council of Medical Research（印度医学研究理事会）；Tata Memorial Centre-ACTREC, HBNI（塔塔纪念中心-先进癌症治疗与研究中心，高等教育与研究国家学院）
本研究提出一种结合定制的弱监督分类技术和MoCo-v2对比学习的深度学习方法，直接从H&E染色图像预测乳腺癌HER2和FISH状态，在TCGA数据集上取得0.85的AUC，并在模棱两可的2+病例上达到0.81的AUC，有望减少昂贵的FISH测试需求。
2024-09-26 cs.CV eess.IV
Cross-modal ultra-scale learning with tri-modalities of renal biopsy images for glomerular multi-disease auxiliary diagnosis
School of Biomedical Engineering, Southern Medical University（生物医学工程学院，南方医科大学）；Guangdong Provincial Key Laboratory of Medical Image Processing（广东省医学影像处理重点实验室）；Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology（广东省医学影像与诊断技术工程实验室）；Central Laboratory, Southern Medical University（中心实验室，南方医科大学）；Department of Pathology, School of Basic Medical Sciences, Southern Medical University（病理学部，基础医学学院，南方医科大学）；Guangzhou Huayin Medical Laboratory Center（广州华英医学实验室中心）
本文提出CMUS-Net，通过跨模态超尺度学习，利用三种模态的肾活检图像实现肾小球多病种的自动分类，提升了诊断准确性。
2025-12-17 cs.CV
Added value of morphological features to breast lesion diagnosis in ultrasound
Polish Academy of Sciences（波兰科学院）
超声成像在乳腺病变鉴别诊断中起着重要作用。然而，诊断的准确性取决于超声医师的经验。已经开发了各种计算机辅助诊断系统来改善乳腺癌检测并减少不必要的活检次数。在这项研究中，我们的目的是改善基于BI-RADS（乳腺成像-报告和数据系统）的乳腺病变分类。这是通过将BI-RADS与评估病变边界的形态学特征相结合来实现的。使用214个病变图像的数据集进行分析。提取了30个形态学特征，并采用特征选择方案寻找能够提高BI-RADS分类性能的特征。此外，最好的表现形态特征子集的指示。我们通过将BI-RADS与六个形态学特征相结合，获得了更好的分类。这些特征包括范围、重叠率、NRL熵、圆度、椭圆归一化周长和归一化残差值。使用组合分类器计算的受试者工作曲线下面积为0.986。表现最好的形态学特征子集包含6个特征：DWR，NRL熵，归一化残差值，重叠率，范围和形态学闭合率。对于该组，曲线下面积为0.901。与BI-RADS相关的放射科医师的经验和形态学特征的组合导致更有效的乳腺病变分类。
2017-06-06 cs.CV
Cancerous Nuclei Detection and Scoring in Breast Cancer Histopathological Images
Department of Electrical and Electronics Engineering, Shiraz University of Technology（设拉子理工大学电气与电子工程系）；Department of Pathology, School of Medicine, Shiraz University of Medical Sciences（设拉子医科大学医学院病理学系）
乳腺癌的早期发现和预后是可行的，利用活检标本的组织病理学分级。本研究的重点是乳腺癌组织病理学图像中细胞核多形性的检测和分级。所提出的方法包括三个内部步骤。首先，在预处理步骤中使用H&E的解混颜色。其次，对预处理后的图像进行形态学运算和高斯差分滤波，提取癌细胞核的中心，并结合癌细胞核的中心提取癌细胞核的边界。最后，对分割的细胞核进行评分，以完成乳腺癌Nottingham分级系统的一个参数。在这种方法中，细胞核面积、染色质密度、轮廓规则性和核仁存在是细胞核多形性评分的特征。实验结果表明，该算法的准确率为86.6%，与相关文献中的现有方法相比，在检测癌细胞核方面取得了显着进步。
2016-12-05 cs.CV
Diagnosis of Celiac Disease and Environmental Enteropathy on Biopsy Images Using Color Balancing on Convolutional Neural Networks
University of Virginia（弗吉尼亚大学）；Aga Khan University（阿迦汗大学）；University of Zambia School of Medicine（赞比亚大学医学院）；Queen Mary University of London（伦敦玛丽女王大学）
乳糜泻（CD）和环境性肠病（EE）是营养不良的常见原因，并对正常的儿童发育产生不利影响。CD是一种在世界范围内流行的自身免疫性疾病，由对麸质的敏感性增加引起。麸质暴露破坏小肠上皮屏障，导致营养吸收不良和儿童营养不良。EE也会导致屏障功能障碍，但被认为是由感染易感性增加引起的。EE被认为是低收入和中等收入国家营养不良、口服疫苗失败和认知发育受损的主要原因。这两种情况都需要组织活检进行诊断，解释临床活检图像以区分这些胃肠道疾病的主要挑战是它们之间的组织病理学重叠。在目前的研究中，我们提出了一种卷积神经网络（CNN）来分类来自CD，EE和健康对照受试者的十二指肠活检图像。我们使用包含1000个活检图像的大型队列评估了我们提出的模型的性能。我们的评估表明，该模型实现了0.99，1.00，和0.97的CD，EE和健康对照，分别ROC下的面积。这些结果证明了所提出的模型在十二指肠活检分类中的区分能力。
2019-10-09 cs.CV cs.LG eess.IV
SD-CNN: a Shallow-Deep CNN for Improved Breast Cancer Diagnosis
乳腺癌是全世界妇女癌症死亡的第二大原因。然而，如果早期发现，它也是最可治疗的恶性肿瘤之一。数字乳腺X射线摄影（DM）筛查乳腺癌已被广泛使用。然而，它对乳房致密的女性的敏感性有限。该领域的一项新兴技术是对比增强数字乳腺X射线摄影（CEDM），其包括类似于DM的低能量（LE）图像和类似于乳腺磁共振成像（MRI）的利用肿瘤新生血管生成的重组图像。CEDM的诊断准确性优于DM。虽然有希望，但CEDM尚未在医疗中心广泛使用。在这项研究中，我们提出了一个浅-深卷积神经网络（SD-CNN），其中开发了一个浅CNN来从LE图像中获得“虚拟”重组图像，并采用一个深CNN来从LE、重组或“虚拟”重组图像中提取新的特征，用于集成模型将病例分类为良性与癌症。为了评估我们方法的有效性，我们首先使用从Mayo Clinic收集的49个CEDM病例开发了一个深度CNN，以证明重组图像对改善乳腺癌诊断的贡献（使用LE成像的准确性为0.86，使用LE和重组成像的准确性为0.90）。然后，我们使用相同的49个CEDM案例开发了一个shallow-CNN，以学习从LE到重组图像的非线性映射。接下来，我们使用69个糖尿病病例收集的医院位于浙江大学，中国产生“虚拟”重组图像。单独使用DM提供了0.91的准确性，而SD-CNN将诊断准确性提高到0.95。
2018-10-26 cs.CV
Classification of histopathological breast cancer images using iterative VMD aided Zernike moments & textural signatures
Techno India University, West Bengal（西孟加拉邦Techno印度大学）
本文提出了一种基于多层迭代变分模式分解（VMD）的乳腺癌自动诊断新方法，并从VMD分量中提取了包含Zernaike矩、分形维数和熵特征的纹理特征，即Kapoor熵、Renyi熵和Yager熵特征。该方法将组织病理学图像视为一组多维空间演化信号。采用ReliefF算法选择判别特征，将统计上最显著的特征输入平方支持向量机进行分类。我们评估了所提出的方法在公开的Breakhis数据集上的效率，该数据集包含从82名良性和恶性病例中收集的7，909张乳腺癌组织学图像。实验结果表明，所提出的方法在性能优于最先进的，同时实现了89.61%和88：23%的平均分类率分别使用三倍和十倍交叉验证策略的有效性。该系统可以帮助病理学家对活检样本进行准确可靠的诊断。BreakHis，一个公开的数据集，可在http://web.inf.ufpr.br/vri/breast-cancer-database上获得。
2018-01-15 cs.CV
ICADx: Interpretable computer aided diagnosis of breast masses
KAIST（韩国科学技术院）
在这项研究中，一种新的计算机辅助诊断（CADx）框架的设计，以调查分类乳腺肿块的可解释性。最近，深度学习技术已成功应用于包括CADx在内的医学图像分析。然而，现有的基于深度学习的CADx方法在解释诊断决策方面具有局限性。在实际的临床实践中，临床决策可以通过合理的解释来做出。因此，CADx中当前的深度学习方法在现实世界的部署中受到限制。在本文中，我们调查的可解释性CADx的建议可解释CADx（ICADx）框架。所提出的框架设计了一个生成对抗网络，它包括可解释的诊断网络和合成病变生成网络，以学习恶性肿瘤和标准化描述（BI-RADS）之间的关系。病变生成网络和可解释诊断网络在对抗学习中竞争，使得两个网络得到改进。在公共乳腺X线照片数据库上验证了该方法的有效性。实验结果表明，所提出的ICADx框架可以提供质量的可解释性以及质量分类。这主要归功于这样一个事实：所提出的方法经过有效训练，可以通过对抗性学习找到恶性肿瘤与解释之间的关系。这些结果意味着，建议ICADx框架可能是一个有前途的方法来开发CADx系统。
2018-05-23 cs.CV
End-to-end Training for Whole Image Breast Cancer Diagnosis using An All Convolutional Design
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
我们开发了一种端到端的训练算法，用于基于乳房X线照片的全图像乳腺癌诊断。它只在训练的第一阶段需要病变注释。在此之后，可以仅使用图像级标签来训练整个图像分类器。这大大减少了对病变注释的依赖。我们的方法是使用全卷积设计实现的，与以前的方法相比，该设计简单但性能优越。在DDSM上，我们最好的单模型实现了0.88的每图像AUC分数，三模型平均将分数提高到0.91。在INbreast上，我们最好的单模型实现了0.96的每图像AUC评分。使用DDSM作为基准，我们的模型与当前最先进的相比毫不逊色。我们还证明，在DDSM上训练的整个图像模型可以很容易地转移到INbreast，而不使用其病变注释，只使用少量的训练数据。代码可用性：https://github.com/lishen/end2end-all-conv
2017-11-15 cs.CV
Diagnosis and Analysis of Celiac Disease and Environmental Enteropathy on Biopsy Images using Deep Learning Approaches
University of Virginia（弗吉尼亚大学）
乳糜泻（CD）和环境性肠病（EE）是营养不良的常见原因，并对正常的儿童发育产生不利影响。这两种情况都需要组织活检进行诊断，解释临床活检图像以区分这些胃肠道疾病的主要挑战是它们之间的组织病理学重叠。在目前的研究中，我们提出了四种诊断技术，这些疾病，并解决其局限性和优势。首先，考虑CD、EE和正常活检之间的诊断，但这种诊断技术的主要挑战是染色问题。本研究中使用的数据集是从不同的中心收集的，具有不同的染色标准。为了解决这个问题，我们使用颜色平衡来训练我们的模型，使其具有不同的颜色范围。随机多模型深度学习（RMDL）架构已被用作减轻染色问题影响的另一种方法。RMDL结合了深度学习的不同架构和结构，模型的最终输出基于多数投票。CD是一种慢性自身免疫性疾病，影响小肠遗传易感的儿童和成人。通常，CD从Marsh I快速进展到IIIa。Marsh III又细分为IIIa（部分绒毛萎缩）、Marsh IIIb（次全绒毛萎缩）和Marsh IIIc（全绒毛萎缩），以解释绒毛萎缩伴隐窝肥大和上皮内淋巴细胞增多的范围。在本研究的第二部分，我们提出了两种方法来诊断不同阶段的CD。最后，在本研究的第三部分中，将这两个步骤结合为分层医学图像分类（HMIC），以具有对疾病数据进行分层诊断的模型。
2020-06-11 cs.CV cs.LG eess.IV
Classification with 2-D Convolutional Neural Networks for breast cancer diagnosis
The University of the South Pacific（南太平洋大学）；University of Canberra（堪培拉大学）
针对临床一维数据无法直接用于CNN的问题，提出将一维数据转换为二维图像的新预处理方法，在WBC和WDBC数据集上验证，WDBC上优于现有方法。
2020-07-29 cs.CV
Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides
Geisel School of Medicine at Dartmouth（达特茅斯盖泽尔医学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希契科克医疗中心）；Dartmouth College（达特茅斯学院）
肾细胞癌（RCC）是成人中最常见的肾癌。肾细胞癌的组织病理学分类对诊断、预后和治疗至关重要。在显微镜下对活检和手术切除载玻片上RCC的复杂组织学模式进行重组和分类对于病理学家来说仍然是一项高度专业化、容易出错且耗时的任务。在这项研究中，我们开发了一种深度神经网络模型，可以将数字化手术切除切片和活检切片准确地分为五个相关类别：透明细胞RCC，乳头状RCC，嫌色细胞RCC，肾嗜酸细胞瘤和正常。除了整个载玻片分类管道之外，我们还通过重新处理块级分类结果来可视化载玻片上识别的指示性区域和特征，以确保我们的诊断模型的可解释性。我们在来自我们的三级医疗机构的78个手术切除完整载玻片和79个活检载玻片的独立测试集上评估了我们的模型，并从癌症基因组图谱（TCGA）数据库中随机选择了69个手术切除载玻片。我们的分类器在内部切除载玻片、内部活检载玻片和外部TCGA载玻片上的平均曲线下面积（AUC）分别为0.98、0.98和0.99。我们的研究结果表明，我们的方法在不同的数据源和标本类型的高度概括性。更重要的是，我们的模型有可能通过以下方式帮助病理学家：（1）自动预筛选幻灯片以减少假阴性病例，（2）突出数字化幻灯片上的重要区域以加速诊断，以及（3）提供客观准确的诊断作为第二意见。
2020-10-30 cs.CV eess.IV
Evaluation of Joint Multi-Instance Multi-Label Learning For Breast Cancer Diagnosis
Bilkent University（比尔肯特大学）
多示例多标记（MIML）学习在许多方面都是一个具有挑战性的问题。这种学习方法可能对许多医学诊断应用有用，包括乳腺癌检测和分类。在这项研究中，digiPATH数据集（全载玻片数字乳腺癌组织病理学图像）的子集用于训练和评估六种最先进的MIML方法。最后，通过有效的评价指标对这些方法进行了性能比较。结果表明，MIML-kNN取得了最好的性能，平均精度为%65.3，大多数其他方法也取得了可接受的结果。
2015-10-10 cs.CV cs.LG
Classification of Histopathological Biopsy Images Using Ensemble of Deep Learning Networks
University of Saskatchewan（萨斯喀彻温大学）；University of Tulane（杜兰大学）
乳腺癌是全世界妇女死亡的主要原因之一。这种类型癌症的早期诊断对于治疗和患者护理至关重要。使用卷积神经网络（CNN）的计算机辅助检测（CAD）系统可以帮助对异常进行分类。在这项研究中，我们提出了一种基于集成深度学习的方法，用于乳腺组织学图像的自动二进制分类。该集成模型采用了三种预训练的CNN，即VGG19，MobileNet和DenseNet。集成模型用于特征表示和提取步骤。然后将提取的特征馈送到多层感知器分类器中以执行分类任务。各种预处理和CNN调整技术，如染色归一化，数据增强，超参数调整和微调用于训练模型。该方法在四个公开的基准数据集上进行了验证，即，ICIAR、BreakHis、PatchCamelyon和Bioimaging。所提出的多模型集成方法获得了比单个分类器和机器学习算法更好的预测，对于BreakHis，ICIAR，PatchCamelyon和Bioimaging数据集，准确率分别为98.13%，95.00%，94.64%和83.10%。
2019-09-26 cs.CV cs.LG eess.IV
Development of an interactive GUI using MATLAB for the detection of type and stage of Breast Tumor
MCKV Institute of Engineering（MCKV工程学院）
本文开发了一种基于MATLAB的交互式GUI，通过将实际乳腺肿块图像与样本图像进行滑块比较，实现乳腺肿瘤类型与分期的实时检测和报告生成。
2024-06-29 cs.CV
Architecture-aware Robustness Evaluation of Explainable Deep Learning for Breast Cancer Diagnosis
本研究提出架构感知评估协议，系统评估九种XAI技术在四类深度学习模型上的乳腺癌诊断解释质量，发现解释性能依赖模型与方法的联合选择，无单一技术通用。
2026-09-29 cs.CV
HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images
South China University of Technology（华南理工大学）；Guangdong Provincial People’s Hospital（广东省人民医院）；Guangdong Academy of Medical Sciences（广东省医学科学院）
超声检查具有无创、无辐射、费用低廉等优点，是乳腺癌诊断的重要常规检查方法。然而，由于乳腺癌固有的局限性，其诊断准确性仍然有限。如果我们能通过乳腺超声图像（BUS）准确诊断乳腺癌，那将是一个巨大的成功。已经提出了许多基于学习的计算机辅助诊断方法来实现乳腺癌诊断/病变分类。然而，它们中的大多数需要预定义的ROI，然后对ROI内的病变进行分类。传统的分类骨干，如VGG 16和ResNet 50，可以实现有希望的分类结果，没有ROI要求。但这些模型缺乏可解释性，从而限制了它们在临床实践中的应用。在这项研究中，我们提出了一种新的ROI的乳腺癌超声图像诊断模型与可解释的功能表示。我们利用解剖学的先验知识，恶性和良性肿瘤有不同的组织层之间的不同空间关系，并提出了一个悬停变压器制定这种先验知识。所提出的HoVer-Trans块水平和垂直地提取层间和层内空间信息。我们在BUS中进行并发布了用于乳腺癌诊断的开放数据集GDPH和SYSUCC。通过五重交叉验证，在三个数据集上与四个基于CNN的模型和两个Vision Transformer模型进行比较，对所提出的模型进行评估。它实现了最先进的分类性能和最佳的模型可解释性。同时，我们提出的模型优于两个高级超声医师对乳腺癌的诊断时，只有一个总线图像。
2022-07-15 cs.CV eess.IV
Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI
University of Toronto（多伦多大学）；Sunnybrook Research Institute（桑尼布鲁克研究所）
高预测性能和易用性和可解释性是计算机辅助诊断（CAD）对人类阅读研究适用性的重要要求。我们提出了一个专门设计的CAD系统，更容易理解的放射科医生审查筛选乳腺MRI研究。多参数成像特征被组合以产生用于区分癌性和非癌性病变的CAD系统。完整的系统使用规则提取算法，以易于理解的图形可视化方式呈现病变分类结果。
2016-06-27 cs.CV stat.ML
Breast Ultrasound Computer-Aided Diagnosis Using Structure-Aware Triplet Path Networks
College of Information Science and Technology, Northwest University（西北大学信息科学与技术学院）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
乳腺超声是检测和诊断乳腺癌的有效影像学手段。乳腺病变的结构特征在计算机辅助诊断（CAD）中起着重要的作用。本文设计了一种新的结构感知三重路径网络（SATPN），将分类和两个图像重建任务集成在一起，实现了在小训练集下对超声图像的准确诊断。具体而言，我们通过使用距离变换耦合高斯滤波器将原始乳腺US图像转换为BIRADS导向的特征图（BFM）来增强临床批准的乳腺病变结构特征。然后，将转换后的BFM用作SATPN的输入，SATPN独立地执行病变分类任务和用于良性和恶性图像重建任务的两个无监督堆叠卷积自动编码器（SCAE）网络。我们通过平衡图像重建误差和分类标签预测误差，使用交替学习策略训练SATPN。在测试阶段，病变标记通过加权投票确定重建误差和标记预测误差。我们将SATPN与使用原始图像作为输入的TPN以及我们以前开发的使用BFM作为输入的半监督深度学习方法的性能进行了比较。在两个乳腺US数据集上的实验结果表明，SATPN在三个网络中排名最好，分类准确率约为93.5%。这些结果表明，SATPN是有效的乳腺超声病变CAD使用小数据集的前景。
2020-06-14 cs.CV eess.IV
Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images
Chonbuk National University（韩国全北国立大学）
本文介绍了将Inception v4深度卷积神经网络应用于ICIAR-2018乳腺癌分类大挑战a部分的结果。挑战任务是对以苏木精和伊红染色图像形式呈现的乳腺癌活检结果进行分类。乳腺癌分类是医学从业者的主要兴趣，因此乳腺癌图像的二进制分类已经受到许多研究人员的研究，但由于类别之间的细微差异，组织学乳腺图像的多类分类一直具有挑战性。在这项工作中，进行了广泛的数据增强，以减少过拟合和有效性委员会的几个Inception v4网络进行了研究。我们报告了89%的准确率4类分类任务和93.7%的癌/非癌两类分类任务，使用我们的测试集的80幅图像。
2019-12-10 cs.CV eess.IV
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images
University of Idaho（爱达荷大学）
在医疗保健中，解释机器学习模型的决策过程以建立临床医生的可信度至关重要。本文介绍了BI-RADS-Net，这是一种用于乳腺超声图像中癌症检测的新型可解释深度学习方法。所提出的方法结合了解释和分类乳腺肿瘤的任务，通过学习相关的临床诊断的特征表示。根据临床医生在医疗实践中用于诊断和报告的形态学特征提供预测（良性或恶性）的说明。所采用的功能包括BI-RADS描述符的形状，方向，边缘，回声模式，和后方功能。此外，我们的方法预测了恶性肿瘤的可能性，这与临床医生报告的BI-RADS评估类别有关。在由1，192张图像组成的数据集上进行的实验验证表明，模型的准确性得到了提高，并得到了使用BI-RADS词典的临床术语解释的支持。
2021-10-05 cs.CV cs.LG
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer
University of Idaho（爱达荷大学）；Harbin Institute of Technology（哈尔滨工业大学）；Medical College at Qingdao University（青岛大学医学院）
基于深度学习的计算机辅助诊断在乳腺癌检测方面取得了前所未有的性能。然而，大多数方法都是计算密集型的，这阻碍了它们在现实世界应用中的广泛传播。在这项工作中，我们提出了一个有效的和轻量级的多任务学习架构，同时分类和分割乳腺肿瘤。我们将分割任务纳入肿瘤分类网络中，这使得主干网学习专注于肿瘤区域的表示。此外，我们提出了一个新的数值稳定的损失函数，可以很容易地控制癌症检测的灵敏度和特异性之间的平衡。使用具有1，511个图像的乳腺超声数据集对所提出的方法进行评估。肿瘤分型的准确性、敏感性和特异性分别为88.6%、94.1%和85.3%。我们使用虚拟移动终端验证模型，平均推理时间为0.35秒每幅图像。
2022-01-13 cs.CV eess.IV
MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis
Peking University（北京大学）；Beijing Institute of Big Data Research（北京大数据研究院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
乳腺癌是全球女性最常见的癌症之一，早期发现可以显著降低乳腺癌的死亡率。在乳腺癌的检测中，考虑组织结构的多尺度信息至关重要。因此，设计一个准确的计算机辅助检测（CAD）系统来捕获癌组织中的多尺度上下文特征是关键。在这项工作中，我们提出了一种新的图卷积神经网络的乳腺癌组织病理图像分类。多尺度图小波神经网络（MS-GWNN）利用谱图小波的局部化特性进行多尺度分析。通过聚合不同尺度的特征，MS-GWNN可以编码整个病理切片中的多尺度上下文交互。在两个公开数据集上的实验结果表明了该方法的优越性。此外，通过消融研究，我们发现多尺度分析对癌症诊断的准确性有显著影响。
2020-12-29 cs.AI cs.CV
BTMuda: A Bi-level Multi-source unsupervised domain adaptation framework for breast cancer diagnosis
Sichuan University（四川大学）
本文提出BTMuda双层多源无监督域适应框架，通过三分支混合提取器、交叉注意力与蒸馏及双重对齐模块，缓解域内和域间偏移，在三个乳腺X线数据集上取得领先诊断性能。
2024-08-30 cs.CV
Convolutional capsule network for classification of breast cancer histology images
Kaunas University of Technology（考纳斯理工大学）
任何一种疾病的诊断自动化都非常重要，随着越来越多的深度学习解决方案被应用于不同的问题，它的速度越来越快。这样的计算机辅助系统之一可以是决策支持，也能够准确区分不同类型的乳腺癌组织学图像-正常组织或癌。本文作者提出了一种基于卷积胶囊网络的深度学习解决方案，用于在应用苏木精和真核蛋白染色时对四种类型的乳腺组织活检图像进行分类。交叉验证的准确度达到0.87，具有同样高的灵敏度。
2018-04-23 cs.CV cs.CY cs.LG
More Reliable AI Solution: Breast Ultrasound Diagnosis Using Multi-AI Combination
Tsinghua University（清华大学）；University of South Carolina（南卡罗来纳大学）；Shenzhen Hospital of Peking University（北京大学深圳医院）
目的：乳腺癌筛查在当代妇女健康预防中具有重要意义。嵌入AI系统的现有机器无法达到临床医生希望的准确性。如何使智能系统更可靠是一个普遍的问题。研究方法：1）超声图像超分辨率：SRGAN超分辨率网络减少了设备本身造成的超声图像不清晰，提高了检测模型的准确性和泛化能力。2)针对医学影像的需求，我们对YOLOv4和CenterNet模型进行了改进。3)多AI模型：基于不同AI模型各自的优势，我们采用两种AI模型来确定临床结果的交叉验证。我们接受同样的结果，拒绝别人。结果：1）在超分辨率模型的帮助下，YOLOv4模型和CenterNet模型的mAP评分均提高了9.6%和13.8%。2)提出了两种将目标模型转化为分类模型的方法。并且统一输出为指定格式，方便多AI模型的调用。3)在分类评估实验中，由YOLOv4模型（灵敏度57.73%，特异度90.08%）和CenterNet模型（灵敏度62.64%，特异度92.54%）串联，多AI模型将拒绝对23.55%的输入数据做出判断。相应地，性能已大大提高到95.91%的灵敏度和96.02%的特异性。结论：本研究使人工智能模型在医学影像诊断中的应用更加可靠。意义：1）该方法使目标检测模型更适合于乳腺超声图像的诊断。2)为医学诊断中的人工智能提供了一种新的思路，可以更方便地引入其他领域的目标检测模型，服务于医学病灶筛查。
2021-07-11 cs.CV
Mammo-FM: Breast-specific foundational model for Integrated Mammographic Diagnosis, Prognosis, and Reporting
Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系）；Department of Computer Science, Boston University（波士顿大学计算机科学系）；Data Science, Analytics and Engineering, Arizona State University（亚利桑那州立大学数据科学与工程）；Center for Regenerative Medicine, Boston University Medical Campus（波士顿大学医学校区再生医学中心）；Department of Radiology, Emory University（埃默里大学放射科）；Department of Radiology, Mayo Clinic（梅奥诊所放射科）；Chobanian & Avedisian School of Medicine, Boston, MA, USA（波士顿大学医学学院）；Department of Biomedical Informatics, University of Pittsburgh（匹兹堡大学生物医学信息学系）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；Human-Computer Interaction, Carnegie Mellon University（卡内基梅隆大学人机交互）
Mammo-FM是首个针对乳腺X线的专用基础模型，基于最大且多样化的数据集预训练，用于统一的乳腺影像核心临床任务，包括癌症诊断、病理定位、结构化报告生成和癌症风险预后。
2026-04-21 cs.CV
Cardiomyopathy Diagnosis Model from Endomyocardial Biopsy Specimens: Appropriate Feature Space and Class Boundary in Small Sample Size Data
College of Industrial Technology, Nihon University（日本国立大学工业技术学院）；Department of Pathology and Microbiology, Nihon University School of Medicine（日本国立医学大学病理学与微生物学系）；Department of Medicine, Nihon University School of Medicine（日本国立医学大学医学系）
针对心肌病病理诊断小样本数据问题，研究验证纹理特征有效性，发现特征数样本量比高时，结合特征选择与维度压缩的多步流程可提升模型泛化性能，线性核SVM效果最优，为医疗场景心肌病诊断模型开发提供支持。
2025-03-14 cs.AI cs.CV cs.LG
Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis
University of Sheffield（谢菲尔德大学）；University of Chester（切斯特大学）
本文提出整合BreCaHAD数据集的病理特征与MIMIC-IV的临床数据的多模态框架，通过训练单模态模型和中间融合模型提升乳腺癌早期诊断的准确性和透明度。
2026-04-18 cs.CV
Deep Learning-Based Breast Cancer Detection in Mammography: A Multi-Center Validation Study in Thai Population
Perceptra Co., Ltd（Perceptra公司）；Institute of Field Robotics（现场机器人研究所）；King Mongkut’s University of Technology Thonburi（技术师范大学）；Mahidol University（玛希多大学）；Siriraj Hospital（Siriraj医院）；Khonkaen University（孔卡恩大学）
本研究开发了带增强注意力机制的改进EfficientNetV2深度学习系统，用于乳腺X线乳腺癌检测，经泰国多中心多数据集验证，检测、定位性能及临床接受度良好，可辅助优化筛查流程。
2025-06-16 cs.AI cs.CV cs.LG
Breast Cancer Diagnosis with Transfer Learning and Global Pooling
University of Saskatchewan（萨斯喀彻温大学）；University of Tulane（杜兰大学）
乳腺癌是全世界妇女癌症相关死亡的最常见原因之一。乳腺癌的早期准确诊断可显著提高患者的生存率。在这项研究中，我们的目标是开发一个全自动的，基于深度学习的，使用深度卷积神经网络（DCNN）模型提取的描述符特征和池化操作对苏木精和伊红染色（H&E）组织学乳腺癌图像进行分类的方法，作为国际图像分析和识别会议（ICIAR）2018年乳腺癌组织学挑战赛（BACH）的一部分图像.采用不同的数据增强方法来优化DCNN的性能。我们还研究了作为预处理步骤的不同染色归一化方法的功效。使用预训练的Xception模型的拟议网络架构产生92.50%的平均分类准确率。
2019-09-26 cs.CV cs.LG eess.IV
Revealing Hidden Potentials of the q-Space Signal in Breast Cancer
German Cancer Research Center (DKFZ)（德国癌症研究中心）；University Hospital Erlangen（埃尔朗根大学医院）；ATOS Clinic（ATOS 诊所）；Radiology Center Mannheim (RZM)（曼海姆放射学中心）
用于早期检测乳腺病变的乳房X线摄影筛查目前遭受大量的假阳性发现，这导致不必要的侵入性活检。磁共振弥散加权成像（DWI）可以帮助减少活检前的假阳性结果。当前的方法通过从生成的生物物理模型中获取的定量参数来估计组织特性，该生物物理模型在关于噪声和空间均匀性的某些假设下拟合到q空间编码信号。由于模型的简单性，这个过程容易出现拟合不稳定和部分信息丢失。我们通过将所有数据处理组件集成到卷积神经网络（CNN）架构中来揭示信号的未开发潜力，该架构旨在将临床目标信息传播到原始输入图像。该方法能够同时优化图像归一化、信号利用、全局表示学习和分类，并针对特定目标进行优化。使用222例患者的多中心数据集，我们证明，我们的方法显着提高了临床决策方面的最新技术水平。
2017-05-22 cs.CV
CapsDeMM: Capsule network for Detection of Munro's Microabscess in skin biopsy images
Indian Statistical Unit（印度统计单位）
为了实现银屑病的机器辅助诊断，提出了一种自动检测人体皮肤活检组织角质层Munro微脓肿的方法。利用深度学习算法的最新进展解决了在有核细胞存在的情况下检测中性粒细胞的挑战。SC层的分离，从层中提取斑块，然后根据是否存在中性粒细胞对斑块进行分类，形成了整个方法的基础，该方法通过基于U-Net的分割网络和用于分类的胶囊网络的集成来实现。本发明的胶囊网的新颖设计导致参数数量的急剧减少，而不会对整体性能造成任何明显的损害。该研究进一步解决了处理兆像素图像（10倍）与千兆像素图像（40倍）的挑战。在由273幅真实图像组成的数据集上进行的实验结果表明，基于本研究的实用系统是可能的。我们的系统的实现可以在https://github.com/Anabik/CapsDeMM上获得。
2018-08-21 cs.CV
Automatic Mammogram image Breast Region Extraction and Removal of Pectoral Muscle
Periyar University（佩里亚尔大学）
目前，乳房X线摄影术是放射科医生用于筛查乳腺癌的最有效的成像方式。寻找一种准确、鲁棒、高效的乳腺区域分割技术仍然是数字乳腺摄影中的一个具有挑战性的问题。乳腺轮廓区域的提取和胸肌的去除是乳腺癌计算机辅助诊断（CAD）系统中必不可少的预处理步骤。首先，它允许对异常的搜索限于乳房组织的区域，而不会受到乳房X线照片背景的过度影响。乳房X线照片中胸肌的存在使检测程序产生偏差，该检测程序建议在乳房X线照片图像预处理期间去除胸肌。乳房X线片中胸肌的存在可能会干扰或影响乳腺癌的检测，因为胸肌和乳房X线片中的实质瘤看起来相似。乳腺区域提取的目标是在不丢失解剖信息的前提下缩小图像尺寸，提高整个CAD系统的准确性。本研究的主要目的是提出一种自动化的方法来识别胸肌内侧斜（MLO）视图乳腺X线照片。本文提出了一种基于直方图的8邻域连通成分标记方法来提取乳房区域并去除胸肌。所提出的方法进行评估，通过使用平均值的准确性和误差。对比分析表明，该方法能更准确地识别出乳房区域。
2013-07-29 cs.CV
Longitudinal Mammogram Exam-based Breast Cancer Diagnosis Models: Vulnerability to Adversarial Attacks
University of Pittsburgh（匹兹堡大学）
针对基于纵向钼靶检查的乳腺癌诊断模型对抗攻击抵御能力研究不足的问题，提出利用两次检查特征关联、结合交叉熵损失和距离度量学习的黑盒攻击方法，在590名患者队列上实验证明其效果优于现有方法，且能突破对抗训练防御。
2024-10-29 cs.AI cs.CV
A Concept-informed Interpretable Artificial Intelligence Framework for Breast Ultrasound Diagnosis
School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院）；Nanfang Hospital, Southern Medical University（南方医科大学南方医院）；Zhujiang Hospital, Southern Medical University（南方医科大学珠江医院）；Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University（南方医科大学广东省医学图像处理重点实验室）；Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University（南方医科大学广东省医学影像与诊断技术工程实验室）；Guangdong Provincial Key Laboratory of Artificial Intelligence in Medical Image Analysis and Application（广东省医学图像分析与应用人工智能重点实验室）
该研究提出IBUS框架，融入BI-RADS知识，在多中心乳腺超声数据集上泛化性良好，可提升放射科医生诊断灵敏度，有望作为辅助决策支持系统。
2026-10-14 cs.CV
Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features
University of Minnesota（明尼苏达大学）；University of Cincinnati（辛辛那提大学）
图像分类被广泛用于构建乳腺癌诊断的预测模型。大多数现有的方法绝大多数依赖于深度卷积网络来构建这样的诊断管道。这些模型架构虽然性能卓越，但都是黑箱系统，对预测背后的内在逻辑提供了最少的洞察。这是一个主要的缺点，因为预测的可解释性对于癌症诊断等应用至关重要。在本文中，我们通过提出一个基于超声图像的乳腺癌诊断的可解释机器学习管道来解决这个问题。我们提取的第一和第二阶纹理特征的超声图像，并使用它们来建立一个概率集成的决策树分类器。每个决策树通过学习图像的纹理特征的一组鲁棒决策阈值来学习对输入超声图像进行分类。然后，可以通过分解学习的决策树来解释模型预测的决策路径。我们的研究结果表明，我们提出的框架实现了高预测性能，同时是可解释的。
2022-01-17 cs.CV cs.LG eess.IV
Comparing Results of Thermographic Images Based Diagnosis for Breast Diseases
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Universidade Federal do Maranhao（马拉尼昂联邦大学）；York University（约克大学）
本文探讨了潜在的贡献，红外（IR）成像在乳腺疾病检测。它比较了使用一些算法检测恶性乳腺疾病，如支持向量机（SVM）的不同方法的一致性，当应用到公共数据获得的结果。此外，为了利用实际的红外成像的能力作为临床试验的补充，并促进使用高分辨率红外成像的研究，我们认为使用一个公共数据库修订的自信训练有素的乳房医生是必不可少的。在我们的工作中只考虑静态采集协议。我们使用来自ProEngenharia（PROENG）公共数据库的102 IR单乳腺图像（54例正常和48例有一些发现）。这些图像是从University Federal de Pernambuco（UFPE）大学医院收集的。我们采用了作者提出的相同特征，这些特征提供了最佳结果，并使用顺序最小优化（SMO）分类器实现了61.7%的准确率和0.24的约登指数。
2022-08-30 cs.CV eess.IV
COIN: Contrastive Identifier Network for Breast Mass Diagnosis in Mammography
University of Edinburgh（爱丁堡大学）
乳腺X线摄影中的计算机辅助乳腺癌诊断是一个具有挑战性的问题，源于乳腺X线摄影数据的稀缺性和数据纠缠。特别是，数据稀缺性归因于隐私和昂贵的注释。数据纠缠是由于良恶性肿块之间的高度相似性，其中流形驻留在低维空间中，边缘很小。为了解决这两个挑战，我们提出了一个深度学习框架，名为对比标识符网络（\textsc{COIN}），它集成了对抗增强和基于流形的对比学习。首先，我们采用对抗学习来创建包含ROI的分布质量和分布质量。在此之后，我们提出了一种新的对比损失与一个建立的签名图。最后，以对比学习的方式优化神经网络，目的是提高深度模型对扩展数据集的区分度。特别是，通过使用COIN，来自相同类别的数据样本被拉近，而具有不同标签的数据样本则被进一步推到深层潜在空间中。此外，COIN算法在解决乳腺癌诊断问题上的准确率达到93.4%，AUC得分达到95.0%，大大优于目前最先进的相关算法。代码将于 * 发布。
2020-12-29 cs.CV cs.LG
3D Contouring for Breast Tumor in Sonography
Tunghai University（东海大学）；Changhua Christian Hospital（彰化基督教医院）
乳腺良恶性肿瘤在声像图上的形态和大小不同。肿瘤轮廓提供的形态学信息在临床诊断中具有重要意义。然而，超声图像包含噪声和组织纹理，因此临床诊断高度依赖于医生的经验。手工绘制乳腺肿瘤的三维轮廓是一项耗时且复杂的工作。如果自动轮廓可以提供精确的乳腺肿瘤轮廓，可能有助于医生做出准确的诊断。本研究提出了一种有效的方法自动轮廓乳腺肿瘤的三维超声。该方法利用一种有效的分割方法，即水平集方法（LSM），自动检测乳腺肿瘤的轮廓。本研究评估了20例，包括10个良性和10个恶性肿瘤。计算机模拟的结果表明，所提出的三维分割方法提供了强大的轮廓乳腺肿瘤超声图像。这种方法一致地获得类似于通过手动勾画乳腺肿瘤轮廓所获得的轮廓，并且可以节省绘制精确轮廓所需的大量时间。
2020-09-07 cs.CV eess.IV
Task-driven Self-supervised Bi-channel Networks for Diagnosis of Breast Cancers with Mammography
Shanghai University（上海大学）
深度学习可以促进基于乳腺X线摄影的乳腺癌计算机辅助诊断（CAD），但它通常存在小样本问题。自监督学习（SSL）在有限训练样本的医学图像分析中显示出其有效性。然而，在传统的SSL框架中，由于托词任务和微调机制的限制，网络模型有时不能很好地预训练。在这项工作中，任务驱动的自监督双通道网络（TSBN）的框架，提出了提高分类模型的性能，乳腺摄影为基础的CAD。特别是，一个新的灰度图像映射（GSIM）被设计为托辞任务，它嵌入到图像恢复任务的类别标签信息，以提高判别特征表示的乳房X线照片。TSBN创新性地将不同的网络架构，包括图像恢复网络和分类网络，集成到一个统一的SSL框架中。它联合训练双通道网络模型，并协作地将知识从前提任务网络传输到下游任务网络，从而提高诊断准确性。在公开的INbreast乳房X线摄影数据集上对所提出的TSBN进行评价。实验结果表明，它优于传统的SSL和多任务学习算法的乳腺癌诊断有限的样本。
2021-08-30 cs.CV eess.IV
Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures
School of Mathematics, Statistics, and Computer Science, University of KwaZulu-Natal（夸祖鲁-纳塔尔大学数学、统计与计算机科学学院）；Unit for Data Science and Computing, North-West University（西北大学数据科学与计算单元）
本研究比较了多种前沿CNN架构与Vision Transformer在乳腺癌检测中的性能，发现ViT以95.15%的准确率优于其他模型，并验证了数据增强与预处理技术结合深度学习在乳腺癌组织病理学图像分类中的有效性。
2023-05-31 cs.AI cs.CV
Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging
University of Waterloo（滑铁卢大学）
针对传统乳腺癌SBR分级需活检的问题，提出基于合成相关扩散成像(CDI$^s$)体积深度影像组学方法Cancer-Net BCa-S，实现无需活检的准确SBR分级预测，性能优于金标准成像模态。
2023-04-12 cs.CV
