一种两阶段多实例学习框架在乳腺X线图像乳腺癌检测中的应用

基于深度卷积神经网络的乳腺肿块分类

Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks

Stanford University（斯坦福大学）

乳腺X线摄影是筛查乳腺癌最广泛使用的方法。由于其主要是手动性质，肿块外观的可变性和低信噪比，大量的乳腺肿块被漏诊或误诊。在这项工作中，我们介绍了如何使用卷积神经网络直接分类乳腺X线照片中的预分割乳腺肿块为良性或恶性，使用组合的迁移学习，仔细的预处理和数据增强，以克服有限的训练数据。我们在DDSM数据集上实现了最先进的结果，超越了人类的表现，并显示了我们模型的可解释性。

2016-12-02cs.CVcs.LG

数字化乳腺X线照片中更精确的致密组织分割的滤波方法

Filtering for More Accurate Dense Tissue Segmentation in Digitized Mammograms

University of Zagreb（萨格勒布大学）

将乳腺组织分割成致密组织和脂肪组织对于确定乳房X线照片中的乳腺密度是重要的。了解乳腺密度在诊断和计算机辅助检测应用中都很重要。有许多不同的方法来表达乳腺的密度，并且无论使用哪种分类规则，高质量的分割都应该提供执行准确分类的可能性。了解正确的乳腺密度并了解乳腺密度的变化可以暗示患者体内开始发生的过程。乳房X线照片通常遭受不同组织重叠的问题，这导致组织类型的不准确检测的可能性。纤维腺体组织呈现相当高的X射线衰减，并且在所得图像中可见为更亮，但是重叠的纤维组织和血管可以在自动分割算法中容易地用纤维腺体组织替换。小血管和微钙化也被显示为具有与致密组织类似强度的明亮对象，但确实具有一些属性，这使得可以从最终结果中抑制它们。在本文中，我们试图通过抑制不代表腺体或致密组织的分散结构来划分致密组织和脂肪组织，以便在两种主要组织类型中更准确地划分乳房X线照片。为了抑制血管和微钙化，我们使用了不同大小和方向的Gabor滤波器和增强对比度的滤波图像上的形态学操作的组合。

2013-10-01cs.CV

AUNet：用于整个乳房X线照片中乳房肿块分割的注意力引导密集上采样网络

AUNet: Attention-guided dense-upsampling networks for breast mass segmentation in whole mammograms

Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Shandong University（山东大学）；Guangdong General Hospital（广东省人民医院）；Guangdong Academy of Medical Sciences（广东省医学科学院）；Shanghai Jiao Tong University（上海交通大学）；The University of Sydney（悉尼大学）

乳腺X线摄影是早期乳腺癌筛查最常用的工具之一。乳腺X线照片中的乳腺肿块的自动分割是必不可少的，但由于低信噪比和各种各样的肿块形状和大小，具有挑战性。现有的方法主要通过手动或自动提取以质量为中心的图像块来应对这些挑战。然而，手动补丁提取是耗时的和自动补丁提取带来的错误，不能在后续的分割步骤补偿。在这项研究中，我们提出了一种新的注意力引导的密度上采样网络（AUNet），用于直接在整个乳房X线照片中准确分割乳房肿块。在AUNet中，我们采用了一种非对称的编码器-解码器结构，并提出了一种有效的上采样块，注意力引导的密集上采样块（AU块）。特别是，AU块被设计成具有三个优点。首先，通过密集上采样补偿双线性上采样的信息损失。其次，设计了一种更有效的高、低层特征融合方法。第三，它包括一个渠道注意功能，以突出丰富的信息渠道。我们在两个公开的数据集CBIS-DDSM和INbreast上评估了所提出的方法。与三种最先进的全卷积网络相比，AUNet实现了最佳性能，CBIS-DDSM的平均Dice相似系数为81.8%，INbreast为79.1%。

2019-08-06cs.CV

一种基于ImageJ的胸内外斜位（MLO）乳腺X线片胸肌识别算法

A novel and automatic pectoral muscle identification algorithm for mediolateral oblique (MLO) view mammograms using ImageJ

Wolfson Institute of Preventive Medicine（沃尔夫森预防医学研究所）；Queen Mary University of London（伦敦玛丽女王大学）

胸肌识别通常需要乳腺癌风险分析，如估计乳房密度。传统的方法绝大多数是基于人工视觉评估或直线拟合的胸肌边界，这是低效和不准确的，因为胸肌在乳房X线照片可以有弯曲的边界。本文提出了一种新的自动识别算法的胸肌MLO视图乳腺X线照片。它适用于扫描胶片和全视野数字乳腺X线摄影。使用公共领域软件ImageJ演示了该算法。该算法的验证已使用现实世界的数据，它显示出可喜的结果。

2016-03-03cs.CV

使用自监督学习和Swin Transformer与卷积神经网络混合深度模型增强筛查乳腺钼靶图像上的乳腺癌检测

Enhancing breast cancer detection on screening mammogram using self-supervised learning and a hybrid deep model of Swin Transformer and Convolutional Neural Network

Physical Sciences, Sunnybrook Research Institute（物理科学，阳光桥研究所在）；Medical Biophysics, University of Toronto（医学生物物理，多伦多大学）

针对标注医学数据稀缺问题，提出结合自监督学习预训练与Swin Transformer及CNN的混合模型HybMNet，通过局部自注意力与细粒度特征融合增强乳腺癌检测，在CMMD和INbreast数据集上AUC分别达0.864和0.889。

2025-04-28cs.CV

两阶段多尺度乳腺肿块分割，用于完整的乳房X线照片分析，无需用户干预

Two-stage multi-scale breast mass segmentation for full mammogram analysis without user intervention

Université de Bretagne Occidentale（西布列塔尼大学）；Inserm（法国国家健康与医学研究院）；IMT Atlantique（大西洋国立高等矿业电信学院）；University Hospital of Brest（布雷斯特大学医院）

乳腺X线摄影是用于早期检测和诊断乳腺癌的主要成像方式。X射线乳房摄影分析主要是指定位可疑的感兴趣区域，然后进行分割，进一步将病变分类为良性与恶性。在各种类型的乳腺异常中，肿块是乳腺癌最重要的临床表现。然而，从原生乳房X线照片中手动分割乳房肿块是耗时且容易出错的。因此，需要一个集成的计算机辅助诊断系统来帮助临床医生进行自动和精确的乳腺肿块勾画。在这项工作中，我们提出了一个两阶段的多尺度流水线，提供准确的质量轮廓，从高分辨率的全乳房X线照片。首先，我们提出了一种扩展的深度检测器，集成了多尺度融合策略，用于自动质量定位。其次，使用嵌套和密集跳跃连接的卷积编码器-解码器网络来精细描绘候选质量。与以前大多数基于区域分割的研究不同，我们的框架可以在没有任何用户干预的情况下处理来自原生完整乳房X线照片的质量分割。在INbreast和DDSM-CBIS公共数据集上进行训练后，该管道在INbreast测试图像上的总体平均Dice为80.44%，优于最先进的水平。我们的系统作为自动全图像肿块分割系统显示出很好的准确性。大量的实验表明，对乳房肿块的大小，形状和外观的多样性，走向更好的互动自由的计算机辅助诊断的鲁棒性。

2020-12-08cs.CVeess.IV

基于模糊隶属度的模糊粗糙特征选择在乳腺图像分类中的应用

Fuzzy - Rough Feature Selection With Π- Membership Function For Mammogram Classification

乳腺癌是妇女死亡的第二大原因，它是在乳房X光检查的帮助下诊断出来的。肿瘤学家在早期阶段借助乳房X光片视觉识别微钙化方面失败得很惨。为了提高乳腺癌筛查的性能，大多数研究者提出了使用图像处理的计算机辅助诊断。本文首先对乳腺图像进行预处理和特征提取，然后通过分类识别出异常。如果使用所有提取的特征，则大多数情况下会被错误识别。因此，寻求特征选择过程。提出了一种基于π隶属度函数的模糊粗糙特征选择方法。所选择的特征用于在Ant-Miner和Weka工具的帮助下对异常进行分类。实验分析表明，该方法提高了乳腺图像的分类精度。

2012-05-24cs.CV

数字化乳腺X线片中微钙化簇分割方法的比较

Comparing Methods for segmentation of Microcalcification Clusters in Digitized Mammograms

Islamic Azad University-Khorasgan Branch（伊斯兰阿扎德大学霍尔斯加恩分校）；Amirkabir University of Technology（阿米尔卡比尔理工大学）

乳腺癌的早期症状之一是乳房X光片上出现微钙化。因此，早期发现乳腺X线片中的微钙化簇（MCCs）有助于乳腺癌的诊断和更好的治疗。本文提出了一种计算机方法来支持放射科医生在数字乳腺X射线摄影中检测MCC。首先，为了方便和改善检测步骤，乳腺X线图像已增强小波变换和形态学操作。然后，对可疑MCC的分割，研究了两种方法。所考虑的方法是：自适应阈值和分水岭分割。最后，将比较不同算法中检测到的MCC区域，以找出哪种分割方法更适合于提取乳腺X线照片中的MCC。

2012-01-28cs.CV

通过整合既往影像提升乳腺癌风险预测性能

Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images

Lunit Inc（Lunit公司）

针对现有乳腺癌风险预测模型未考虑乳腺随时间变化的问题，提出结合Transformer解码器利用既往乳腺X线影像的PRIME+方法，在16113次检查的数据集上实现C-index从0.68到0.73的显著提升。

2023-08-28cs.CV

高密度乳腺X线照片的高分辨率合成：应用于基于深度学习的肿块检测中的公平性改进

High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection

Medical University of Gdansk（格但斯克医科大学）；Karolinska University Hospital（卡罗林斯卡大学医院）；Karolinska Institutet（卡罗林斯卡学院）

基于深度学习的计算机辅助检测系统在乳腺癌检测中表现出良好的性能。然而，高密度乳房显示出较差的检测性能，因为致密组织可以掩盖甚至模拟肿块。因此，在致密乳腺中，乳腺X线摄影检测乳腺癌的灵敏度可降低20%以上。此外，与低密度乳房相比，极高密度的病例报告患癌症的风险增加。本研究旨在提高高密度乳腺肿块检测性能，在乳腺肿块检测模型训练期间使用合成高密度全视野数字乳腺X线摄影（FFDM）作为数据增强。为此，使用三个FFDM数据集训练了总共五个周期一致的GAN（CycleGAN）模型，用于高分辨率乳腺X线照片中的低密度到高密度图像转换。训练图像按乳房密度BIRADS类别划分，即BI-RADS A几乎完全是脂肪的乳房和BI-RADS D极致密的乳房。我们的研究结果表明，所提出的数据增强技术提高了用小数据集训练的模型中质量检测的灵敏度和精度，并提高了用大数据库训练的模型的域泛化能力。此外，在涉及两名放射科专家和一名外科肿瘤学家的阅片者研究中评价了合成图像的临床真实性。

2023-01-24cs.CVeess.IV

基于纹理开发描述子的乳腺X线片密度两阶段分类

Density-Wise Two Stage Mammogram Classification using Texture Exploiting Descriptors

Indian Institute of Technology Indore（印度理工学院印多尔分校）

乳腺癌正变得日益普遍。因此，它的早期发现是挽救任何患者生命的一大步。乳腺X线摄影是诊断乳腺癌的常用工具。这里最重要的一步是将乳房X线片分类为正常-异常和良性-恶性。乳房X光片中乳房的纹理在这些分类中起着重要作用。我们提出了一个变化的直方图的反射（HOG）和Gabor滤波器的组合称为直方图的定向纹理（HOT），利用这一事实。我们还重新审视了通带离散余弦变换（PB-DCT）描述符，捕捉纹理信息。乳房X光片的所有特征可能都没有用。因此，我们应用一种称为辨别潜力（DP）的特征选择技术。我们得到的描述符，DP-HOT和DP-PB-DCT，与标准描述符进行比较。乳房X线片的密度对于分类是重要的，并且尚未被详尽地研究。来自德国亚琛工业大学的医学应用图像检索（IRMA）数据库是一个标准的数据库，提供乳房X线照片补丁，大多数研究人员只在该数据库的补丁子集上测试了他们的框架。我们应用我们的两个新的描述符对IRMA数据库的所有图像进行密度分类，并与标准描述符进行比较。我们实现了比所有现有的标准描述符更高的准确性（超过92%）。

2018-01-03cs.CV

用于改进乳腺X光片癌症检测的深度BI-RADS网络

Deep BI-RADS Network for Improved Cancer Detection from Mammograms

School of Computer Science, Ariel University（阿里尔大学计算机科学学院）

提出一种结合文本BI-RADS病灶描述符与视觉乳腺X光的多模态深度学习方法，利用迭代注意力层融合不同模态，在CBIS-DDSM数据集上显著提升了乳腺癌检测的分类性能。

2024-11-16cs.CV

基于纵向钼靶检查的乳腺癌诊断模型：对抗攻击的脆弱性

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。

2024-10-29cs.AIcs.CV

深度结构化学习用于乳房X光片中的肿块分割

Deep Structured learning for mass segmentation from Mammograms

The University of Adelaide（阿德莱德大学）；The University of Queensland（昆士兰大学）

在本文中，我们提出了一种新的方法，用于从乳房X线照片中分割乳房肿块，探索结构化和深度学习。具体来说，使用结构化支持向量机（SSVM），我们制定了一个模型，结合了不同类型的潜在功能，包括一个使用深度学习分类图像区域。我们这项工作的主要目标是显示这些相对较新的技术可以提供从乳房X线照片中分割乳房肿块的准确性和效率的提高。我们还提出了一种易于重现的定量分析，以评估基于广泛接受的准确性和公共数据集上的运行时间测量的乳腺肿块分割方法的性能，这将有助于进一步比较这个分割问题。特别是，我们使用两个公开可用的数据集（DDSM-BCRP和INbreast），并提出了计算的运行时间的方法，以产生一个大规模的分割给定的输入图像和使用的骰子指数定量测量分割精度。对于这两个数据库，我们表明，我们提出的方法在准确性和运行时间方面产生有竞争力的结果。

2014-12-05cs.CV

关注关键内容：利用视觉基础模型进行乳腺癌分类的乳腺X线摄影研究

Attend what matters: Leveraging vision foundational models for breast cancer classification using mammograms

Department of Radiodiagnosis, PGIMER Chandigarh（放射诊断系，PGIMER昌迪加尔）

本文提出利用视觉Transformer进行乳腺癌分类，通过区域兴趣点减少、对比学习和预训练ViT提升细粒度判别能力，实验显示优于现有基线。

2026-04-21cs.CV

基于视觉提示微调的多视角筛查乳腺X光片乳腺癌检测

Breast Cancer Detection from Multi-View Screening Mammograms with Visual Prompt Tuning

Physical Sciences, Sunnybrook Research Institute（物理科学，Sunnybrook研究所在）；Medical Biophysics, University of Toronto（医学生物物理学，多伦多大学）

提出MVPT-NET网络，通过在高分辨率乳腺X光片预训练单视角模型基础上，将多视角特征学习适配至任务特定的视觉提示微调过程，仅微调7%参数即高效整合多视角数据，在多机构数据集上区分良性、DCIS和浸润性类别达0.852 AUROC。

2025-04-28cs.AIcs.CV

D-MASTER：面向乳腺钼靶乳腺癌检测无监督域适应的掩码退火Transformer

D-MASTER: Mask Annealed Transformer for Unsupervised Domain Adaptation in Breast Cancer Detection from Mammograms

Indian Institute of Technology Delhi（印度德里理工学院）；AIIMS, Delhi（德里全印度医学科学学院）

针对跨域乳腺钼靶乳腺癌检测中UDA方法假阳性高、伪标签噪声大的问题，提出D-MASTER框架，通过多尺度自适应掩码重建和伪标签精炼提升性能，还发布了RSNA-BSD1K标注数据集，在多个基准上取得显著精度提升。

2024-07-09cs.CV

使用多级阈值的乳腺癌检测

Breast Cancer Detection Using Multilevel Thresholding

Noorul Islam College of Engineering（努鲁尔伊斯兰工程学院）；MIT（马德拉斯理工学院）

本文提出了一种算法，其目的是帮助放射科医生在其早期阶段识别乳腺癌。它结合了几种图像处理技术，如图像负片，阈值和分割技术，用于检测乳房X线照片中的肿瘤。该算法是通过使用乳房X线图像分析协会的乳房X线照片进行验证。通过应用这些技术所获得的结果进行了说明。

2009-11-03cs.CV

一种无监督的乳腺肿块定位方法

Unsupervised Method to Localize Masses in Mammograms

Korea University（高丽大学）

乳腺癌是最常见和最普遍的癌症类型之一，主要影响妇女人口。有效治疗的机会随着早期诊断而增加。乳腺X线摄影被认为是早期诊断乳腺癌的有效和成熟的技术之一。肿块周围的组织在乳房X光片中看起来是相同的，这使得自动检测过程成为一项非常具有挑战性的任务。它们与周围的薄壁组织难以区分。在本文中，我们提出了一种有效的和自动化的方法来分割肿块的乳房X光片。该方法利用层次聚类分离出显著区域，然后提取特征以拒绝误检测。我们将我们的方法应用于两个流行的公开数据集（mini-MIAS和DDSM）。随机抽取mini-OCT数据库中的56幅图像和DDSM中的76幅图像。结果解释的ROC（接收器操作特性）曲线，并与其他技术进行比较。实验结果表明，该系统的效率和自动识别乳腺X线照片中的肿块的优势。

2019-04-12cs.CV

无监督特征相关模型预测纵向乳腺X光片中乳腺异常变化图

Unsupversied feature correlation model to predict breast abnormal variation maps in longitudinal mammograms

University of Connecticut（康涅狄格大学）；University of Connecticut School of Medicine（康涅狄格大学医学院）；UConn Health（康涅狄格大学健康中心）

本研究提出一种无监督特征相关网络，利用纵向乳腺X光片预测异常变化图，并区分正常与癌症影像，在准确性、敏感性、特异性、Dice分数和癌症检出率上优于基线模型。

2023-12-28cs.CVcs.LGeess.IV

使用上下文GANs合成病变改善了乳腺X线照片上的乳腺癌分类

Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms

DeepHealth, Inc.（DeepHealth公司）

数据稀缺和类别不平衡是许多机器学习应用于医疗保健的两个基本挑战。乳腺X线摄影中的乳腺癌分类克服了这些挑战，筛查人群中的恶性率约为0.5%，恶性病例中病变尺寸相对较小（约占图像的1%）。与此同时，筛查性乳房X光检查的普及创造了大量潜在的非癌症检查用于培训。总之，这些特征导致癌症病例的过度拟合，而非癌症数据的利用不足。在这里，我们提出了一种新的生成对抗网络（GAN）模型，用于数据增强，可以真实地合成和删除乳房X线照片上的病变。通过自我注意和半监督学习组件，基于U网的架构可以生成乳腺X射线摄影所需的高分辨率（256x256px）输出。当用GAN生成的样本增强原始训练集时，我们发现在真实乳房X光片的测试集上恶性肿瘤分类性能有了显着提高。总的来说，我们的算法的经验结果和其他医学成像范例的相关性指向潜在的富有成效的进一步应用。

2020-05-29cs.CVeess.IV

使用卷积神经网络对乳腺X线摄影图像进行计算机辅助检测与分类

Computer Aided Detection and Classification of mammograms using Convolutional Neural Network

本研究提出基于卷积神经网络（CNN）的方法，利用DDSM数据集对乳腺X线摄影图像进行特征提取与正常/异常分类，以辅助乳腺癌早期检测。

2024-09-04cs.CVeess.IV

LongiMam模型：利用纵向乳腺X线摄影提高乳腺癌风险预测

The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms

BIOSTAT team, Bordeaux Population Health U1219, Bordeaux University, ISPED, Bordeaux, France（波尔多大学波尔多人口健康中心U1219，ISPED，波尔多，法国）；Therapixel, Nice, France（尼斯，法国）；Department of Radiology, Institut Bergonié, Comprehensive Cancer Centre, Bordeaux, France（波尔多综合癌症中心，波尔多医院放射科，法国）；EPICENE team, Bordeaux Population Health U1219, Bordeaux University, ISPED, Bordeaux, France（波尔多大学波尔多人口健康中心U1219，ISPED，波尔多，法国）

LongiMam是一种端到端深度学习模型，整合当前及最多四次既往乳腺X线摄影图像，利用卷积和循环神经网络捕捉时空模式，在大型筛查数据集上显著提升乳腺癌风险预测，尤其在致密乳腺和年长女性中表现优异。

2025-09-23cs.CVcs.LG

条件填充GANs用于乳腺X线图像分类中的数据增强

Conditional Infilling GANs for Data Augmentation in Mammogram Classification

Harvard University（哈佛大学）；DeepHealth, Inc.（DeepHealth公司）

深度学习方法在乳房X线照片中检测乳腺癌最近显示出有希望的结果。然而，这种模型受到公开可用的乳房X射线摄影数据集的有限大小的限制，这在很大程度上是由于隐私问题和生成专家注释的高成本。有限的数据集大小进一步加剧了大量的类不平衡，因为“正常”的图像大大超过那些发现。鉴于生成模型在合成逼真图像方面的快速进展，以及简单数据增强技术（例如水平翻转）的已知有效性，我们询问是否有可能使用生成对抗网络（GANs）来合成增强乳房X线照片数据集。我们训练一个类条件GAN来执行上下文填充，然后我们使用它来将病变合成到健康的筛查乳房X线照片上。首先，我们证明了GANs能够生成高分辨率的合成乳房X光片。接下来，我们通过实验评估使用增强数据集来提高乳腺癌分类性能。我们观察到，与仅在传统增强数据上训练的相同模型相比，使用GAN增强的训练数据训练的ResNet-50分类器产生了更高的AUROC，证明了我们方法的潜力。

2018-08-24cs.CV

利用GAN模拟乳房X线照片识别患有乳房X线检查隐匿性乳腺癌的女性

Identifying Women with Mammographically-Occult Breast Cancer Leveraging GAN-Simulated Mammograms

Pittsburgh University（匹兹堡大学）

我们的目标是显示使用模拟乳房X线检查来检测致密乳房和正常筛查乳房X线检查的女性中的乳房X线检查隐匿性（MO）癌症的可行性，这些女性可以通过磁共振成像（MRI）或超声进行额外筛查。我们开发了一个条件生成对抗网络（CGAN）来模拟一个正常外观的乳房X光片，使用相反的乳房X光片作为条件。我们使用在Radon累积分布变换（RCDT）处理的乳房X线照片上训练的卷积神经网络（CNN）来检测MO癌症。为了训练CGAN，我们使用了1366名妇女的筛查乳房X线照片。对于MO癌症检测，我们使用了333名致密乳房女性（97名MO癌症）的筛查乳房X线照片。我们模拟了正常对照的右侧乳房X线照片和MO癌症病例的癌侧。我们创建了两个RCDT图像，一个来自真实的乳房X光片对，另一个来自真实模拟的乳房X光片对。我们对产生的RCDT图像进行了VGG16微调，以分类患有MO癌症的女性。我们比较了在融合RCDT图像上训练的CNN的分类性能，CNN_{Fused}与仅在真实RCDT图像上训练的分类性能，CNN_{Real}，以及仅在模拟RCDT图像上训练的分类性能，CNN_{Simulated}。CNN_{Fused}的试验AUC为0.77，95%置信区间（95 CI）为[0.71，0.83]，在统计学上优于（p值< 0.02）CNN_{Real} AUC为0.70，95 CI为[0.64，0.77]和CNN_{Simul…

2021-09-24cs.AIcs.CVeess.IV

基于软计算混合算法的数字乳腺X线照片胸肌抑制

Pectoral Muscles Suppression in Digital Mammograms using Hybridization of Soft Computing Methods

Periyar University（佩里亚尔大学）

乳腺区域分割是乳腺X线图像计算机分析的重要前提。它旨在将乳房组织从乳房X线照片的背景中分离出来，并且它包括两个独立的分割。第一个分割的背景区域，通常包含注释，标签和帧从整个乳房区域，而第二个删除胸肌部分（存在于内侧斜（MLO）视图）从其余的乳房组织。在本文中，我们提出了混合连接组件标记（CCL），模糊，直线的方法。我们提出的方法可以很好地分离出胸部区域。在从乳房X线照片中去除胸肌之后，进一步的处理仅限于乳房区域。为了证明我们的分割算法的有效性，它是广泛的测试，使用超过322乳腺摄影图像从乳腺摄影图像分析协会（MIAS）数据库。使用平均绝对误差（MAE）、Hausdroff距离（HD）、概率兰德指数（PRI）、局部一致性误差（LCE）和谷本系数（TC）对分割结果进行评价。模糊与直线的混合方法给出了96%以上的曲线分割是充分的或更好的。此外，已经给出了与来自现有技术的类似方法的比较，获得略微改进的结果。实验结果证明了该方法的有效性。

2014-01-05cs.CEcs.CV

纵向乳腺X线摄影风险预测

Longitudinal Mammogram Risk Prediction

Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技学院）；Weill Cornell Medicine（威尔康奈尔医学院）；Middle East Technical University（中东技术大学）

本文提出纵向乳腺X线摄影风险预测模型LoMaR，通过扩展最先进的ML模型接收任意数量的历史乳腺X线摄影图像，证明更长历史记录可显著提升未来乳腺癌风险预测准确性。

2024-04-29cs.CVeess.IV

基于交叉注意深度网络的多模态乳腺病变分类

Multimodal Breast Lesion Classification Using Cross-Attention Deep Networks

University of Houston（休斯顿大学）；Houston Methodist（休斯顿卫理公会医院）

准确的乳腺病变风险评估可以显着减少不必要的活检，并帮助医生决定最佳的治疗方案。大多数现有的计算机辅助系统仅依赖于乳房X线照片特征来对乳房病变进行分类。虽然这种方法很方便，但它没有充分利用临床报告中的有用信息来实现最佳性能。与单独使用乳房X线照片相比，临床特征是否会显著改善乳腺病变分类？如何处理因医疗实践中的变异而导致的临床信息缺失？什么是结合乳房X线照片和临床特征的最佳方法？迫切需要进行系统的研究来解决这些基本问题。本文研究了几种基于特征连接、交叉注意和共同注意的多模态深度网络，以结合乳腺X线照片和分类临床变量。我们表明，所提出的架构显着提高病变分类性能（ROC曲线下的平均面积从0.89到0.94）。当临床变量缺失时，我们也评估模型。

2021-08-21cs.CVeess.IV

2D-3D乳腺癌联合分类

Joint 2D-3D Breast Cancer Classification

University of Kentucky（肯塔基大学）；Miami University（迈阿密大学）

乳腺癌是导致女性癌症死亡人数最多的恶性肿瘤。数字乳腺X线摄影（DM或2D乳腺X线摄影）和数字乳腺断层合成摄影（DBT或3D乳腺X线摄影）是临床实践中用于乳腺癌检测和诊断的两种类型的乳腺X线摄影图像。放射科医生通常阅读这两种成像模式的组合，然而，现有的计算机辅助诊断工具的设计只使用一种成像模式。受临床实践的启发，我们提出了一种用于乳腺癌分类的创新卷积神经网络（CNN）架构，该架构同时使用2D和3D乳房X线照片。实验结果表明，该方法显著提高了乳腺癌分类的性能。通过组装三个CNN分类器，所提出的模型达到0.97 AUC，这是34.72%，比只使用一种成像方式的方法。

2020-02-27cs.CVeess.IVq-bio.QM

乳腺钼靶X线扫描对乳腺肿瘤分类的持续同源性

Persistent Homology for Breast Tumor Classification using Mammogram Scans

The University of Buckingham（白金汉大学）；Salahaddin University（萨拉赫丁大学）

持久同源性（PH）是拓扑数据分析领域的一个重要工具，它是将数据在不同分辨率下的同源性抽象表示为持久图（PD）。在这项工作中，我们建立一个以上的PD表示的一个单一的图像的基础上的地标选择方法，被称为本地二进制模式，编码不同类型的本地纹理的图像。我们采用了不同的PD矢量化，持久性景观，持久性图像，持久性分箱（贝蒂曲线）和统计。我们使用乳房X线摄影扫描在两个公开的乳房异常检测数据集上测试了基于PH的建议地标的有效性。在两个数据集中，基于标志的PH获得的检测异常乳腺扫描的灵敏度超过90%。最后，实验结果给出了使用不同类型的PD向量化的新见解，这有助于将PH与机器学习分类器结合使用。

2022-07-11cs.CVeess.IVmath.AT

乳腺X线图像中微小钙化点的分割及其应用

Segmenting Microcalcifications in Mammograms and its Applications

Weizmann Institute of Science（魏茨曼科学研究院）；Weizmann Artificial Intelligence Center (WAIC)（魏茨曼人工智能中心）；Chaim Sheba Medical Center（查伊姆谢巴医疗中心）；Sackler School of Medicine, Tel-Aviv University（特拉维夫大学萨克勒医学院）

微钙化是在乳房X光片中出现的小的钙沉积物，在乳房软组织背景上呈亮白色斑点。微钙化可能是导管原位癌乳腺癌的独特指征，因此其准确检测对于诊断和筛查至关重要。在乳房X光片中手动检测这些微小的钙残留物既耗时又容易出错，即使对于放射科专家来说也是如此，因为这些微钙化很小，很容易被遗漏。现有的用于检测和分割微钙化的计算机化算法往往遭受高的假阳性率，阻碍了它们的广泛使用。在本文中，我们提出了一种使用深度学习的精确钙化分割方法。我们通过提出一种在训练阶段聚焦硬像素的策略，专门解决了保持低误报率的挑战。此外，我们的精确分割能够提取微钙化簇的有意义的统计数据。

2021-02-01cs.CV

MammoMix：利用专家混合模型实现鲁棒的乳腺钼靶图像乳腺病灶检测

MammoMix: Leveraging Mixture of Experts for Robust Mammogram Breast Detection

School of Biomedical Engineering, University of Technology Sydney（悉尼科技大学生物医学工程学院）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）；School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）

针对乳腺钼靶病灶检测跨异构数据源性能下降的问题，提出基于MoE的MammoMix框架，结合门控机制与MoCAE校准模块，在3个公开数据集上优于基线检测器，提升了泛化性与鲁棒性。

2026-08-12cs.CV

像放射科医生一样工作：实现可靠的多视图对应推理，用于乳腺X光肿块检测

Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection

Deepwise Healthcare（深睿医疗）；Peking University（北京大学）；Advanced Institute of Information Technology, Peking University（北京大学先进信息技术研究院）；The University of Hong Kong（香港大学）

乳腺肿块检测在临床上对乳腺癌的诊断和预防至关重要。多视角乳腺X线图像的互补效应提供了关于乳腺解剖先验结构的有价值的信息，在数字化乳腺X线图像判读中具有重要意义。然而，与放射科医生可以利用自然推理能力来识别基于多个乳腺摄影视图的肿块不同，如何赋予现有的目标检测模型多视图推理能力对于临床诊断决策至关重要，但仍然是探索的边界。在本文中，我们提出了一个解剖感知的图卷积网络（AGN），这是专为乳腺肿块检测，并赋予现有的检测方法与多视图推理能力。建议AGN包括三个步骤。首先，我们引入一个二分图卷积网络（BGN）来建模同侧视图的内在几何和语义关系。其次，考虑到双侧视图的视觉不对称性在临床实践中被广泛采用，以辅助乳腺病变的诊断，我们提出了一个初始图卷积网络（IGN）建模的结构相似性的双侧视图。最后，基于所构造的图，将多视图信息有条理地通过节点进行传播，从而使从检查视图中学习到的特征具有多视图推理能力。两个标准基准的实验表明，AGN显着超过了国家的最先进的性能。可视化结果表明活动星系核为临床诊断提供了可解释的视觉线索。

2021-05-21cs.CV

Transformers提高了未登记多视图乳腺X线照片的乳腺癌诊断

Transformers Improve Breast Cancer Diagnosis from Unregistered Multi-View Mammograms

University of Oklahoma（俄克拉荷马大学）；XPeng Motors（小鹏汽车）

深度卷积神经网络（CNN）已广泛用于各种医学成像任务。然而，由于卷积运算的固有局部性，CNN通常不能很好地对长程依赖性进行建模，这对于准确识别或映射从未注册的多个乳房X线照片计算的相应乳房病变特征是重要的。这促使我们利用多视图视觉Transformer的架构，在一次检查中捕获来自同一患者的多个乳房X线照片的远程关系。为此，我们采用本地Transformer块分别学习补丁的关系，从两个视图（CC/MLO）的两侧（右/左）乳房获得的四个乳房X线照片。来自不同视图和侧面的输出被连接并馈送到全局Transformer块中，以共同学习表示左右乳房的两个不同视图的四个图像之间的补丁关系。为了评估所提出的模型，我们回顾性地收集了一个涉及949组乳腺X线照片的数据集，其中包括470例恶性病例和479例正常或良性病例。我们使用五重交叉验证方法对模型进行了训练和评估。没有任何费力的预处理步骤（例如，最佳窗口裁剪、胸壁或胸肌去除、双视图图像配准等），我们的四图像（双视图双侧）基于变换器的模型实现了病例分类性能，ROC曲线下面积（AUC = 0.818），显著优于最先进的多视图CNN实现的AUC = 0.784（p = 0.009）。它还优于两个单视图双侧模型，分别达到0.724（CC视图）和0.769（MLO视图）的AUC。这项研究表明，使用Transformers开发高性能的计算机辅助诊断方案，结合四…

2022-06-21cs.AIcs.CVeess.IV

EMory BrEast成像数据集（EMBED）：3.5 M筛查和诊断乳腺X线照片的种族多样性颗粒数据集

The EMory BrEast imaging Dataset (EMBED): A Racially Diverse, Granular Dataset of 3.5M Screening and Diagnostic Mammograms

Emory University（埃默里大学）；Georgia Institute of Technology（佐治亚理工学院）；Kennesaw State University（肯尼索州立大学）

在医学成像中开发和验证人工智能模型需要大型、粒度和多样化的数据集。迄今为止，大多数公开可用的乳腺成像数据集缺乏这些领域中的一个或多个。因此，在这些数据上训练的模型可能在以前没有遇到过的患者群体或病理上表现不佳。EMory BrEast成像数据集（EMBED）通过为116，000名女性提供3650，000次2D和DBT筛查和诊断性乳房X线照片来解决这些差距，这些女性在白人和非洲裔美国人患者之间平均分配。该数据集还包含与结构化成像描述符相关的40，000个注释病变和61个地面实况病理结果，分为六个严重程度类别。我们的目标是与研究合作伙伴共享此数据集，以帮助开发和验证乳腺AI模型，这些模型将公平地为所有患者服务，并有助于减少医疗AI的偏见。

2022-02-08cs.CVcs.LGeess.IV

变革乳腺癌诊断：迈向实时超声到乳腺X线影像转换以实现高性价比诊断

Transforming Breast Cancer Diagnosis: Towards Real-Time Ultrasound to Mammogram Conversion for Cost-Effective Diagnosis

Indian Institute of Technology Bombay（印度理工学院孟买分校）；Tata Memorial Hospital（塔塔纪念医院）

本文提出利用波干涉图案信息、Stride正演模拟、领域自适应和生成对抗网络，实现从实时超声图像生成乳腺X线质量图像，以提升术中乳腺癌诊断的细节辨识度和成本效益。

2023-08-10cs.CVeess.IV

用于乳腺密度预测的光度计Transformer网络和标记调整

Photometric Transformer Networks and Label Adjustment for Breast Density Prediction

Lunit Inc.（Lunit公司）

乳腺密度分级对数字乳腺X线照片的归一化设置高度敏感，因为密度与像素强度分布密切相关。此外，由于评分标准不确定，评分因读者而异。这些问题是数字乳房X光检查密度评估中固有的。当设计乳腺密度的计算机辅助预测模型时，它们是有问题的，如果数据来自多个站点，它们会变得更糟。在本文中，我们提出了两种用于乳腺密度预测的新型深度学习技术：1）自适应归一化输入乳房X线照片的光度变换，以及2）通过使用其输出预测来调整标签的标签蒸馏。光度Transformer网络与主预测网络联合学习，动态预测光度变换的最佳参数。标签蒸馏是一种伪标签技术，旨在减轻分级变化。我们的实验表明，所提出的方法是有益的乳腺密度预测，导致显着的性能改善相比，以前的各种方法。

2019-05-08cs.CV

基于解剖特征的乳腺X线照片胸肌自动剔除

Automatic elimination of the pectoral muscle in mammograms based on anatomical features

Universidad del Caribe（加勒比大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）

数字乳腺X线检查是最流行的技术，用于早期检测人体乳腺组织的异常。当通过计算方法分析乳房X线照片时，胸肌的存在可能会影响乳房病变检测的结果。这个问题在内外侧斜位视图（MLO）中尤其明显，其中胸肌占据了乳房X光检查的大部分。因此，识别和消除胸肌是提高乳腺组织自动识别的必要步骤。在本文中，我们提出了一种基于解剖特征的方法来解决这个问题。我们的方法包括两个步骤：（1）去除标签、标记、划痕和楔形等噪声元素的过程，以及（2）基于Beta分布的强度变换的应用。新的方法进行了测试，322数字乳房X线摄影从乳房X线摄影图像分析协会（迷你MIAS）数据库和一组84乳房X线摄影，面积归一化误差是以前计算的。结果表明，该方法具有很好的性能。

2020-08-17cs.CVeess.IV

序数学习：用于从乳腺X线影像预测未来乳腺癌事件发生时间的纵向注意力对齐模型

Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms

Netherlands Cancer Institute (NKI)（荷兰癌症研究所）；GROW School for Oncology and Development Biology, Maastricht University（马斯特里赫特大学GROW肿瘤学与发育生物学学院）；Macao Polytechnic University（澳门理工大学）；Radboud University Medical Centre（拉德堡德大学医学中心）

针对现有乳腺X线影像乳腺癌风险预测模型忽略事件时间排序、对乳腺组织纵向变化探索不足的问题，提出序数学习方法OA-BreaCR，在两类预测任务上性能更优且具备可解释性，助力乳腺癌精准筛查预防。

2024-09-10cs.CVeess.IV

纵向乳房X光片对齐对乳腺癌风险评估的影响

The Impact of Longitudinal Mammogram Alignment on Breast Cancer Risk Assessment

Department of Physics and Technology, UiT The Arctic University of Norway（乌伊特极地大学物理与技术系）；SPKI The Norwegian Centre for Clinical Artificial Intelligence, University Hospital of North Norway（挪威临床人工智能中心，北挪威大学医院）；Department of Computer Science and Engineering, University of Bologna（博洛尼亚大学计算机科学与工程系）；Fraunhofer Research Institution for Individualized and Cell-Based Medical Engineering IMTE（弗劳恩霍夫个性化与细胞基医学工程研究所）；Department of Radiology, Netherlands Cancer Institute (NKI)（荷兰癌症研究所放射科）；Norwegian Computing Center（挪威计算中心）；Pioneer Centre for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学）

针对纵向乳房X光片空间对齐难题，本研究分析多种对齐策略在风险建模中的效果，发现基于图像的配准性能更优，为个性化筛查提供技术支持。

2026-10-14cs.CV

MammoDG：可泛化深度学习打破跨域多中心乳腺癌筛查的局限

MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening

University of Cambridge（剑桥大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong Polytechnic University（香港理工大学）；Barts Health NHS Trust（巴茨健康国民保健服务信托）；The Royal London Hospital（皇家伦敦医院）

提出新型深度学习框架MammoDG，利用多视角乳腺X光片与对比机制增强跨域多中心乳腺癌筛查的泛化能力与可靠性，广泛验证证明其优于现有方法。

2023-08-02cs.CV

一种新颖的基于透明度策略的数据增强方法用于乳腺X线影像BI-RADS分类

A Novel Transparency Strategy-based Data Augmentation Approach for BI-RADS Classification of Mammograms

Vingroup Big Data Institute（Vingroup大数据研究所）；VinUniversity（Vin大学）；VinBigData JSC（VinBigData股份公司）

本文提出一种基于ROI信息的透明度数据增强策略，通过生成更多高风险乳腺X线训练样本提升BI-RADS分类性能，在三个数据集上超越CutMix并验证了方法的广泛适用性。

2023-04-17cs.CV

基于深度学习的数字乳腺图像胸肌分割

On segmentation of pectoralis muscle in digital mammograms by means of deep learning

University of Waterloo（滑铁卢大学）

计算机辅助诊断（CAD）早已成为乳腺疾病放射学管理的一个组成部分，促进了许多重要的临床应用，包括乳腺密度的定量评估和基于X射线乳腺摄影术的恶性肿瘤的早期检测。这些应用的共同点是需要自动区分乳房组织和相邻的解剖结构，后者主要由胸大肌（或胸肌）表示。特别是在内外斜位（MLO）视图中采集的乳房X线照片中，由于肌肉的形态和光度相似性，肌肉很容易与乳房解剖结构的某些元素混淆。因此，MLO乳房X线照片中胸肌的自动检测和分割问题仍然是一项具有挑战性的任务，仍然需要并不断寻找创新的方法。为了解决这个问题，本文介绍了一种基于数据驱动预测（深度学习）和基于图形的图像处理的组合使用的两步分割策略。特别地，所提出的方法采用卷积神经网络（CNN），其被设计为在不同的空间分辨率水平预测乳房-胸部边界的位置。随后，预测所使用的算法的第二阶段，其中所需的边界被恢复作为一个解决方案的最短路径问题上的一个专门设计的图形。所提出的算法已经在三个不同的数据集上进行了测试（即，MIAS、CBIS-DDSm和InBreast）。比较分析的结果表明，相当大的改进，国家的最先进的，同时提供了无模型和全自动处理的可能性。

2020-08-29cs.CVeess.IV

多尺度CNN与乳腺X线分类的课程学习策略

A Multi-Scale CNN and Curriculum Learning Strategy for Mammogram Classification

Harvard University（哈佛大学）；DeepHealth Inc.（DeepHealth公司）

筛查性乳房X光检查是早期发现乳腺癌的重要一线工具，仅在美国每年就进行约3900万次检查。在这里，我们描述了一个多尺度卷积神经网络（CNN）训练的课程学习策略，实现了高水平的准确性分类乳房X线照片。具体来说，我们首先在乳房X光片中病变的分割掩模上训练基于CNN的补丁分类器，然后使用学习的特征来初始化基于扫描的模型，该模型在整个图像上呈现决策，在结果数据上进行端到端训练。我们证明了我们的方法有效地处理了“大海捞针”性质的全图像乳腺X线照片分类，在DDSM数据集上实现了0.92 AUROC。

2017-07-21cs.CV

利用YOLO、可解释性与领域适应分析乳腺癌侵袭性

Analysis of Invasive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation

本文通过结合ResNet50的领域过滤与YOLOv8/v11/v12架构，提升乳腺癌检测的领域适应性与可解释性，实现高准确率的检测性能。

2026-04-03cs.AIcs.CV

一种用于AI辅助乳腺X线摄影解读的通用基础模型

A Versatile Foundation Model for AI-enabled Mammogram Interpretation

Guangdong Provincial Key Laboratory of Malignant Tumor Epigenetics and Gene Regulation, Guangdong-Hong Kong Joint Laboratory for RNA Medicine, Department of Medical Oncology, Breast Tumor Centre, Phase I Clinical Trial Centre（广东省恶性肿瘤表观遗传与基因调控重点实验室，粤港澳RNA医学联合实验室，医学肿瘤科，乳腺肿瘤中心，I期临床试验中心）；Guangdong Provincial Key Laboratory of Cancer Pathogenesis and Precision Diagnosis and Treatment, AI Big Data Laboratory, Department of Medical Oncology（广东省肿瘤发生与精准诊断与治疗重点实验室，人工智能大数据实验室，医学肿瘤科）；Chongqing Key Laboratory of Bio-perception（重庆生物感知重点实验室）

研究针对乳腺X线分析基础模型的临床转化缺陷，推出VersaMammo模型，构建含70余万张图像的多机构数据集，经两阶段预训练后在92项临床任务基准中表现顶尖，推动乳腺癌筛查诊断进展。

2026-08-18cs.CV

一种用于乳腺X线照片的BI-RADS和密度评估的新型多视图深度学习方法

A novel multi-view deep learning approach for BI-RADS and density assessment of mammograms

VinBigdata（Vin大数据公司）；VinUniversity（温大大学）

先进的深度学习（DL）算法可以根据乳腺成像报告和数据系统（BI-RADS）和密度标准预测患者患乳腺癌的风险。最近的研究表明，多视图分析的组合改善了整体乳腺检查分类。在本文中，我们提出了一种新的多视图DL方法的BI-RADS和密度评估的乳房X线照片。所提出的方法首先部署深度卷积网络，分别对每个视图进行特征提取。然后将提取的特征堆叠并馈送到光梯度增强机（LightGBM）分类器中以预测BI-RADS和密度分数。我们在内部乳腺X射线摄影数据集和公共数据集乳腺X射线摄影筛查数字数据库（DDSM）上进行了广泛的实验。实验结果表明，该方法优于单视图分类方法在两个基准数据集上的巨大F1-得分利润（+5%的内部数据集和+10%的DDSM数据集）。这些结果突出了结合多视图信息以提高乳腺癌风险预测性能的重要作用。

2022-04-17cs.CVeess.IV

乳腺X线摄影自动化计算方法的描述性分析及实际应用

Descriptive analysis of computational methods for automating mammograms with practical applications

Transcend Research Consultancy（transcend研究咨询公司）；School of Computer Sciences, North Maharashtra University（北马哈拉施特拉大学计算机科学学院）

乳腺X线摄影是一种重要的筛查技术，可以早期发现和识别乳腺癌，以帮助降低死亡率。乳房X线照片的实际应用不限于乳腺癌揭示、识别，而是包括基于任务的镜头设计、图像压缩、图像分类、基于内容的图像检索以及许多其他应用。乳腺X线摄影计算分析方法是一个有用的工具，专家揭示隐藏的功能和提取重要信息的乳腺X线摄影。数字乳房X线摄影是乳房X线摄影图像，可与传统的屏幕电影乳房X线摄影一起使用，使乳房X线摄影的自动化更容易。在本文中，我们讨论了计算先进的数字乳腺X射线摄影作为一个指南针的研究和实践领域的计算乳腺X射线摄影和相关领域。讨论的重点是针对各种应用和自动化的乳房X线照片的研究。它涵盖了图像预处理，特征提取，乳房X线照片的应用，屏幕电影乳房X线照片，数字乳房X线照片和基准语料库的开发，用于试验数字乳房X线照片的不同观点。

2020-10-06cs.CVcs.LGeess.IV

BAC-JEPA: 通过合成乳腺X线摄影引导的标签高效乳腺动脉钙化分割

BAC-JEPA: Label-Efficient Breast Arterial Calcification Segmentation via Synthetic Mammography-Guided Supervision

Department of Computer Engineering University of Texas at Dallas Richardson, TX（计算机工程系）

提出BAC-JEPA框架，利用合成动脉钙化图像和自监督视觉Transformer，实现无需像素级人工标注的乳腺动脉钙化分割，在BacSeg数据集上达到AUROC 0.8719。

2026-06-23cs.CV

使用密集连接卷积网络评估乳腺癌组织学

Assessment of Breast Cancer Histology using Densely Connected Convolutional Networks

Konica Minolta Laboratory Europe（柯尼卡美能达欧洲实验室）；LMU Munich（慕尼黑大学）

乳腺癌是最常见的癌症，也是全世界女性癌症相关死亡的主要原因。在这篇文章中，我们研究了密集连接的卷积神经网络的组织学图像分类和整个幻灯片图像分割的计算机辅助诊断乳腺癌的区域中的问题的适用性。为此，我们研究了迁移学习的各种方法，并将其应用于2018年乳腺癌组织学图像（BACH）大挑战的数据集。

2018-04-09cs.CV

基于卷积变分自编码器的ADMANI乳腺钼靶数据集技术异常值检测

Technical outlier detection via convolutional variational autoencoder for the ADMANI breast mammogram dataset

University of Melbourne（墨尔本大学）；St Vincent’s Institute of Medical Research（圣文森特医学研究所）

本研究针对ADMANI乳腺钼靶数据集，采用CVAE结合腐蚀和胸大肌分析等传统图像处理技术检测七类技术异常值，在选取前5%图像时召回率达83%，为下游AI算法开发确保了数据质量。

2023-05-20cs.AIcs.CVeess.IV

一种改进遗传特征选择的乳腺肿块BI-RADS分类计算机辅助诊断系统

A New Computer-Aided Diagnosis System with Modified Genetic Feature Selection for BI-RADS Classification of Breast Masses in Mammograms

Beijing Institute of Technology（北京理工大学）；Université 8 Mai 1945 Guelma（盖勒马8 Mai 1945大学）；National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院肿瘤医院国家癌症中心国家肿瘤临床研究中心）

乳房X线摄影术仍然是早期乳腺癌筛查最普遍的成像工具。乳腺X线摄影报告中用于描述异常的语言基于乳腺成像报告和数据系统（BI-RADS）。将正确的BI-RADS分类用于每个检查的乳房X光片，即使对于专家来说也是一项艰巨而具有挑战性的任务。本文提出了一种新的和有效的计算机辅助诊断（CAD）系统分类乳腺摄影肿块到四个评估类别的BI-RADS。首先对肿块区域进行直方图均衡化增强，然后基于区域生长技术进行半自动分割。然后从每个肿块的形状、边缘和密度以及肿块大小和患者年龄中提取总共130个手工制作的BI-RADS特征，如BI-RADS乳房X线摄影中所述。然后，提出了一种基于遗传算法（GA）的改进的特征选择方法，以选择最具临床意义的BI-RADS特征。最后，一个反向传播神经网络（BPN）的分类，其精度被用来作为遗传算法的适应度。使用来自筛查性乳腺X射线摄影（DDSM）数字数据库的一组500张乳腺X射线摄影图像进行评价。我们的系统实现了分类准确率，阳性预测值，阴性预测值和马修斯相关系数分别为84.5%，84.4%，94.8%和79.3%。据我们所知，这是目前乳腺X射线摄影中乳腺肿块BI-RADS分类的最佳结果，这使得所提出的系统有望支持放射科医生根据自动分配的BI-RADS类别决定适当的患者管理。

2020-05-11cs.CVcs.LGeess.IV

基于MATLAB的交互式GUI开发用于乳腺肿瘤类型与分期检测

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。

2024-06-29cs.CV

主动学习在乳腺癌诊断中的应用

Active Learning for Breast Cancer Identification

Shenzhen University（深圳大学）

乳腺癌是女性第二常见的恶性肿瘤，已成为当今社会的重大公共卫生问题。传统的乳腺癌识别需要经验丰富的病理学家仔细阅读乳房切片，这是费力的，并遭受观察者之间的变化。因此，一个自动分类框架，乳腺癌识别是值得发展的。近年来，深度学习技术得到了迅速发展。越来越多的医疗应用开始使用深度学习来提高诊断准确性。本文提出了一种新的训练策略，即反向主动学习（RAL），用于训练网络对乳腺癌图像进行自动分类。我们的RAL被应用到一个简单的卷积神经网络（CNN）的训练集，以消除错误标记的图像。我们评估了在公开的ICIAR 2018乳腺癌数据集（IBCD）上使用RAL训练的CNN。实验结果表明，我们的RAL提高切片基于CNN的准确率从93.75%到96.25%。

2018-04-18cs.CV