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。
2024-04-29 cs.CV eess.IV
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。
2021-08-21 cs.CV eess.IV
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。
2020-02-27 cs.CV eess.IV q-bio.QM
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…
2022-06-21 cs.AI cs.CV eess.IV
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。
2022-02-08 cs.CV cs.LG eess.IV
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。
2023-08-10 cs.CV eess.IV
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。
2020-08-17 cs.CV eess.IV
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。
2024-09-10 cs.CV eess.IV
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。
2020-08-29 cs.CV eess.IV
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。
2020-10-06 cs.CV cs.LG eess.IV
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。
2022-04-17 cs.CV eess.IV
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。
2023-05-20 cs.AI cs.CV eess.IV
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。
2020-05-11 cs.CV cs.LG eess.IV
Deep Learning-Based Automatic Detection of Poorly Positioned Mammograms to Minimize Patient Return Visits for Repeat Imaging: A Real-World Application
Mayo Clinic（梅奥诊所）；Ohio State University（俄亥俄州立大学）；West Virginia University School of Medicine（西弗吉尼亚大学医学院）；NVIDIA Inc.（英伟达公司）
筛查乳房X线照片是一种常规的成像检查，用于在早期阶段检测乳腺癌，以减少这种疾病的发病率和死亡率。为了最大限度地提高乳腺癌筛查计划的效果，正确的乳房X线摄影定位至关重要。正确的定位可确保乳腺组织的充分可视化，对于有效的乳腺癌检测是必要的。因此，乳房影像学放射科医生必须在提供检查的最终解释之前评估每个乳房X线照片的定位是否充分;这通常需要回访患者进行额外的成像。在本文中，我们提出了一种深度学习算法方法，可以模拟和自动化这个决策过程，以识别定位不良的乳房X线照片。该算法的目的是帮助乳房X线摄影技术人员实时识别定位不当的乳房X线摄影，提高乳房X线摄影定位和性能的质量，并最终减少最初成像不足的患者的重复就诊。该模型在内外斜位和头尾位的正确定位率分别为91.35%和95.11%。除了这些结果，我们还提供了一个自动生成的报告，可以帮助乳房X线摄影技术人员在患者就诊期间采取纠正措施。
2020-09-28 cs.AI cs.LG eess.IV
A multi-reconstruction study of breast density estimation using Deep Learning
Mayo Clinic（妙佑医疗国际（梅奥诊所））
乳腺密度估计是识别易患乳腺癌个体的关键任务之一。由于乳房X线照片脂肪组织背景的低对比度和波动，它通常具有挑战性。大多数情况下，乳腺密度是手动估计的，放射科医生分配由乳腺成像和报告数据系统（BI-RADS）决定的四个密度类别之一。在自动化乳房密度分类流水线的方向上已经做出了努力。乳腺密度估计是筛查过程中的关键任务之一。致密的乳房更容易患乳腺癌。密度估计是具有挑战性的，因为低对比度和波动的乳房X线照片的脂肪组织背景。传统的乳房X线摄影正在被断层合成摄影及其其他低辐射剂量变体（例如Hologic的智能2D和C-View）所取代。由于低剂量要求，越来越多的筛查中心青睐智能2D视图和C-View。用于乳腺密度估计的深度学习研究仅使用单一模式来训练神经网络。但是，这样做会限制数据集中的图像数量。在本文中，我们证明了在所有模态上训练的神经网络一次比在任何单一模态上训练的神经网络表现更好。我们讨论了这些结果，使用接收器操作员特征曲线下的面积。
2022-10-10 cs.CV cs.LG eess.IV
Screening Mammogram Classification with Prior Exams
New York University（纽约大学）；New York University School of Medicine（纽约大学医学院）
放射科医生通常会将患者最近的乳腺癌筛查检查与之前的检查进行比较，以做出明智的诊断。为了反映这种做法，我们提出了新的神经网络模型，比较来自同一患者的筛查乳房X光片对。我们在超过665，000对图像（超过166，000对检查）上对我们提出的模型进行了训练和评估。我们的最佳模型在预测接受乳腺癌筛查的患者的恶性肿瘤方面达到了0.866的AUC，降低了相应基线的错误率。
2019-07-30 cs.CV cs.LG eess.IV
Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images
Faculty of Information Technology, Beijing University of Technology（北京工业大学信息学部）
本文提出一种基于乳腺X线图像的乳腺癌智能诊断框架，结合ACA-ATRUNet分割、ACA-AMDN识别及MML-EOO超参数优化，实验证明其能提升早期检测精度。
2023-10-30 cs.CV cs.LG eess.IV
Mammograms Classification: A Review
University of Girona（赫罗纳大学）；University of Burgundy（勃艮第大学）
作为一种先进、可靠、低成本的筛查方法，数字乳腺X射线摄影已被用作乳腺癌检测的有效成像方法。随着人们越来越关注辅助医疗保健的技术，乳房X线照片图像已被用于开发可能有助于临床诊断的计算机辅助诊断系统。研究人员已经证明，人工智能及其新兴技术可以用于疾病的早期检测，并提高放射科医生评估乳腺癌的表现。在本文中，我们回顾了两类乳腺X线照片质量分类的方法。第一种是将手动提供的裁剪感兴趣区域（ROI）分类为恶性或良性，第二种是将自动分割的ROI分类为恶性或良性。我们还提供了分类任务中使用的数据集和评估指标的概述。最后，我们比较和讨论了经典图像处理的深度学习方法和该领域的学习方法。
2022-03-04 cs.CV cs.LG eess.IV
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
MammoGANesis: Controlled Generation of High-Resolution Mammograms for Radiology Education
Faculty of Medicine, American University of Beirut（贝鲁特美国大学医学院）；American University of Beirut Medical Center（贝鲁特美国大学医学中心）；Department of Diagnostic Radiology, American University of Beirut Medical Center（贝鲁特美国大学医学中心诊断放射科）
在他们的成长期，放射学实习生被要求每月解读数百张乳房X光片，目的是能够辨别出区分良性和恶性病变的细微模式。不幸的是，医学法律和技术障碍使得难以访问和查询用于训练的医学图像。在本文中，我们训练一个生成对抗网络（GAN）来合成512 x 512的高分辨率乳房X线照片。所得到的模型导致高级别特征（例如，标准乳房X线摄影视图和乳房病变的性质）的无监督分离，在所生成的图像中具有随机变化（例如，乳房脂肪组织、钙化），从而实现合成图像的用户控制的全局和局部属性编辑。我们证明了该模型的能力，以生成解剖学和医学相关的乳房X线照片，实现了0.54的平均AUC在双盲研究中的四个专家乳房X线摄影放射科医生，以区分生成的和真实的图像，归因于高视觉质量的合成和编辑的乳房X线照片，并在推进和促进医学教育的潜在用途。
2020-10-11 cs.CV cs.LG eess.IV
BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images
Emory University（埃默里大学）；Winship Cancer Institute（温希普癌症研究所）；School of Medicine, Emory University（埃默里大学医学院）
本研究探讨了Segment Anything Model在超声图像乳腺肿瘤交互式分割中的应用，发现ViT_l变体性能最优，提示交互显著提升分割效果，且肿瘤对比度和大小对结果有积极影响。
2023-05-21 cs.CV eess.IV
Zoom in to where it matters: a hierarchical graph based model for mammogram analysis
在临床实践中，人类放射科医生实际上使用高分辨率监视器查看医学图像，并放大感兴趣区域（ROI）进行近距离检查。受此启发，我们提出了一个层次图神经网络，通过自动放大ROI来检测医学图像中的异常病变。本研究的重点是乳腺癌诊断的乳房X线摄影分析。我们提出的网络由两个图形注意力网络组成，执行两个任务：（1）节点分类，以预测是否放大到下一个级别;（2）图形分类，以分类乳房X光片是正常/良性还是恶性。该模型在INbreast数据集上进行训练和评估，我们用最先进的方法获得了相当的AUC。
2019-12-16 cs.CV eess.IV
Stan: Small tumor-aware network for breast ultrasound image segmentation
University of Idaho（爱达荷大学）
乳腺肿瘤分割提供了准确的肿瘤边界，并作为进一步癌症量化的关键步骤。尽管已经提出了基于深度学习的方法并取得了可喜的成果，但现有方法在检测小乳腺肿瘤方面存在困难。检测小肿瘤的能力在使用计算机辅助诊断（CAD）系统发现早期癌症方面尤为重要。在本文中，我们提出了一种新的深度学习架构，称为小肿瘤感知网络（STAN），以提高分割不同大小肿瘤的性能。新架构集成了丰富的上下文信息和高分辨率图像功能。我们验证了所提出的方法，使用七个定量指标对两个公共乳腺超声数据集。所提出的方法优于国家的最先进的方法分割小乳腺肿瘤。指数
2020-02-03 cs.CV cs.LG eess.IV
Utilizing Automated Breast Cancer Detection to Identify Spatial Distributions of Tumor Infiltrating Lymphocytes in Invasive Breast Cancer
Stony Brook University（石溪大学）；Stony Brook Medicine（石溪医学院）；Stony Brook University Hospital（石溪大学医院）；University of Michigan Medical School（密歇根大学医学院）；National Cancer Institute（美国国家癌症研究所）；National Institutes of Health（美国国立卫生研究院）；Emory University（埃默里大学）
肿瘤-TIL空间关系的定量评估在乳腺癌研究的基础科学和临床方面都越来越重要。我们已经开发并评估了卷积神经网络（CNN）分析管道，以在常规诊断乳腺癌全载玻片组织图像（WSIs）中生成癌症区域和肿瘤浸润淋巴细胞（TILs）的组合图。我们制作了交互式全载玻片图，提供1）关于淋巴细胞浸润的结构模式和空间分布的见解，2）促进TIL的改进定量。我们使用三个CNN网络- Resnet-34、VGG 16和Inception v4评估了肿瘤和TIL分析，并证明了结果与通过被认为是最好的公开方法获得的结果相比是有利的。我们已经开发了开源工具，并生成了一个由1,015个TCGA乳腺癌图像的肿瘤/TIL图谱组成的公共数据集。我们还提供了一个定制的基于网络的界面，该界面可以轻松地可视化和交互式探索1，015 TCGA浸润性乳腺癌病例的高分辨率组合肿瘤-TIL图，这些图可以下载用于进一步的下游分析。
2020-01-13 cs.CV eess.IV
ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation
University of Idaho（爱达荷大学）；University of Utah School of Medicine（犹他大学医学院）
乳腺肿瘤分割是计算机辅助诊断（CAD）系统中用于乳腺癌检测的关键任务，因为准确的肿瘤大小、形状和位置对于进一步的肿瘤量化和分类是重要的。然而，由于斑点噪声、患者之间不同的肿瘤形状和大小以及肿瘤样图像区域的存在，分割超声图像中的小肿瘤是具有挑战性的。最近，基于深度学习的方法在生物医学图像分析方面取得了巨大成功，但目前最先进的方法在分割小乳腺肿瘤方面的性能较差。在本文中，我们提出了一种新型的深度神经网络架构，即增强型小肿瘤感知网络（ESTAN），以准确、鲁棒地分割乳腺肿瘤。ESTAN引入了两个编码器来提取和融合不同尺度的图像上下文信息，并在编码器中使用行-列方式的内核来适应乳房解剖结构。我们验证了所提出的方法，并将其与使用七个定量指标的三个公共乳腺超声数据集上的九种最先进的方法进行比较。实验结果表明，该方法在小肿瘤分割方面取得了最好的整体性能，优于其他所有方法。
2020-09-27 cs.CV cs.LG eess.IV
RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement
Monash University Malaysia（莫纳什大学马来西亚分校）；The University of Oklahoma（俄克拉荷马大学）；Karolinska Institute（卡罗林斯卡学院）；Karolinska University Hospital（卡罗林斯卡大学医院）；University of Malaya（马来亚大学）；The University of Melbourne（墨尔本大学）
本文提出RADIFUSION深度学习模型，融合连续乳腺X线影像、图像注意力、影像组学、多视图门控与双侧不对称微调，在CSAW数据集上显著提升乳腺癌风险预测性能。
2023-06-02 cs.CV eess.IV
Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning
Siemens Healthineers, Technology Excellence, Erlangen, Germany Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg, Pattern Recognition Lab, Erlangen, Germany
在常规乳房X线摄影筛查期间自动识别具有管腔和非管腔亚型的患者可以支持临床医生简化乳腺癌治疗计划。最近的机器学习技术在乳腺X射线摄影中的分子亚型分类中显示出有希望的结果;然而，它们高度依赖于像素级注释、手工制作和放射组学特征。在这项工作中，我们提供了对仅使用图像级标签训练的完整乳房X线照片图像中的管腔亚型分类的初步见解。从乳房异常分类任务应用迁移学习，以微调基于ResNet-18的管腔与非管腔亚型分类任务。我们在公开的CMMD数据集上展示并比较了我们的结果，结果表明，我们的方法在测试数据集上的平均AUC得分为0.6688，平均F1得分为0.6693，显著优于基线分类器。相对于基线的改善具有统计学显著性，p值为p<0.0001。
2023-01-23 cs.CV cs.LG eess.IV
Optimizing Breast Cancer Detection in Mammograms: A Comprehensive Study of Transfer Learning, Resolution Reduction, and Multi-View Classification
Department of Electronic Systems Engineering, Polytechnic School, University of São Paulo（电子系统工程系，理工学院，圣保罗大学）
本研究系统探究乳腺X线摄影中乳腺癌检测的五个关键问题，通过多视图架构、迁移学习等方法，在CBIS-DDSM和VinDr-Mammo数据集上显著提升AUC，确立新基准，并公开代码与模型。
2026-10-06 cs.AI cs.CV eess.IV
RadiomicsFill-Mammo: Synthetic Mammogram Mass Manipulation with Radiomics Features
Sungkyunkwan University（成均馆大学）；Samsung Medical Center（三星医疗中心）；Institute for Basic Science（基础科学研究院）
本文提出RadiomicsFill-Mammo，利用放射组学特征和稳定扩散模型生成具有特定属性的合成乳腺X线摄影肿块，并证明其能提升肿块检测性能。
2024-09-29 cs.AI cs.CV eess.IV
ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation
Nankai University（南开大学）；Tianjin Medical University（天津医科大学）；PLA General Hospital（解放军总医院）；Civil Aviation General Hospital（民航总医院）
针对乳腺超声肿瘤形状尺寸多变导致分割困难的问题，提出融合多区域表示并进行通道与空间自适应重校准的增强选择核卷积，嵌入深度监督 U-net，在三个公开数据集上优于12种现有方法。
2024-01-20 cs.CV eess.IV
Uncertainty-Gated Deformable Network for Breast Tumor Segmentation in MR Images
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Computer Science and Information Engineering, Hefei University of Science（合肥科学技术大学计算机科学与信息工程学院）；Department of Radiology, Southwest Hospital, Army Medical University（西南医院放射科，中国人民解放军陆军军医大学）；School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）
本文提出不确定性门控可变形网络，融合CNN与Transformer并通过可变形建模、U-GEM和边界敏感损失提升乳腺MRI肿瘤分割精度。
2025-09-19 cs.CV eess.IV
LightBTSeg: A lightweight breast tumor segmentation model using ultrasound images via dual-path joint knowledge distillation
针对高性能乳腺肿瘤分割模型计算复杂且内存消耗大的问题，提出双路径联合知识蒸馏框架 LightBTSeg，通过双教师网络将良恶性先验知识蒸馏至轻量级 Simplified U-Net 学生模型，在多个数据集上表现优于对比方法。
2023-11-18 cs.CV eess.IV
Breast Tumor Cellularity Assessment using Deep Neural Networks
Neuromation OU；University of Oulu（奥卢大学）；MIT（麻省理工学院）；University of Michigan（密歇根大学）；Steklov Mathematical Institute（斯捷克洛夫数学研究所）
乳腺癌是世界范围内的主要死亡原因之一。手术后组织中残留肿瘤的组织学细胞构成评估用于分析肿瘤对治疗的反应。正确的细胞结构评估增加了获得适当治疗的机会，并有助于患者的生存。在当前的临床实践中，肿瘤细胞构成由病理学家手动估计;该过程是繁琐的，并且容易出现错误或评估者之间的低一致率。在这项工作中，我们评估了三种强大的基于深度学习的新方法，用于自动评估用苏木精和伊红染色的治疗后乳腺手术标本的肿瘤细胞结构。我们在BreastPathQ SPIE挑战数据集上验证了所提出的方法，该数据集由从64名患者采集的全载玻片图像中选择的2395个图像块组成。与专家病理学家评分相比，我们表现最好的方法得到的Cohen kappa系数为0.70（与文献中先前已知的0.42相比），类内相关系数为0.89（与0.83相比）。我们的研究结果表明，基于深度学习的方法具有减轻病理学家负担的巨大潜力，可以增强诊断工作流程，从而促进乳腺癌治疗的更好临床结果。
2019-09-03 cs.CV eess.IV
BC-MRI-SEG: A Breast Cancer MRI Tumor Segmentation Benchmark
Center for Research in Computer Vision, University of Central Florida（中佛罗里达大学计算机视觉研究中心）
针对私有医疗数据导致深度学习方法难以比较的问题，提出了基于公开MRI数据集的乳腺癌肿瘤分割基准BC-MRI-SEG，包含四个数据集用于监督与零样本评估，并比较了SOTA方法。
2024-06-02 cs.CV eess.IV
Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI
CSIRO（联邦科学与工业研究组织）
本研究系统评估了T2w、DCE-MRI、DWI及ADC图的不同序列组合对nnU-Net乳腺肿瘤分割的影响，发现DCE序列对FTV分割效果最好，而加入预测FTV可提升WTM分割性能，为mpMRI预测乳腺癌治疗反应提供了基础。
2024-06-12 cs.CV eess.IV
Deep Learning-based Denoising of Mammographic Images using Physics-driven Data Augmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）
乳房X光检查是使用低能量X射线来筛查人类乳房，并被放射科医生用来检测乳腺癌。通常放射科医生需要具有完美图像质量的乳房X线照片以进行准确诊断。在这项研究中，我们提出了一种基于卷积神经网络（CNN）的深度学习方法，用于乳房X线照片去噪，以提高图像质量。我们首先提高噪声水平，并采用Anscombe变换（AT）的泊松噪声转换为高斯白噪声。通过这种数据增强，训练深度残差网络来学习噪声图像的噪声图。我们表明，所提出的方法不仅可以去除模拟，但也真正的噪声。此外，我们还将我们的结果与最先进的去噪方法（如BM3D和DNCNN）进行了比较。在早期的调查中，我们取得了质量更好的乳房X线照片去噪结果。
2019-12-11 cs.CV eess.IV
TIAger: Tumor-Infiltrating Lymphocyte Scoring in Breast Cancer for the TiGER Challenge
University of Warwick（华威大学）；Queen Mary University of London（伦敦玛丽女王大学）；University of Sheffield（谢菲尔德大学）
肿瘤浸润淋巴细胞（TIL）的定量已被证明是乳腺癌患者预后的独立预测因子。通常情况下，病理学家估计含有TIL的基质区域的比例以获得TIL评分。乳腺肿瘤浸润淋巴细胞（TiGER）挑战旨在评估计算机生成的TIL评分对预测生存的预后意义，作为Cox比例风险模型的一部分。对于这一挑战，作为TIAger团队，我们开发了一种算法，在定位肿瘤块区域进行TIL检测之前，首先分割肿瘤与基质。最后，我们使用这些输出为每个案例生成TILS评分。在初步测试中，我们的方法实现了肿瘤-间质加权Dice评分为0.791，淋巴细胞检测的FROC评分为0.572。对于预测生存率，我们的模型实现了0.719的C指数。这些结果在TiGER挑战赛的初步测试排行榜上获得第一名。
2022-06-23 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
Progressive Dual Priori Network for Generalized Breast Tumor Segmentation
Guizhou University（贵州大学）；Harbin Medical University Cancer Hospital（哈尔滨医科大学附属肿瘤医院）；Univ Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；CREATIS（CREATIS研究所）
本文提出PDPNet，通过粗分割定位、弱语义先验和跨尺度关联先验渐进细化DCE-MRI乳腺肿瘤分割，在多中心数据上显著提升小肿瘤、低对比度及不规则肿瘤的泛化分割性能。
2024-06-17 cs.CV cs.LG eess.IV
Tumor Detection, Segmentation and Classification Challenge on Automated 3D Breast Ultrasound: The TDSC-ABUS Challenge
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；National University of Singapore（新加坡国立大学）；Shenzhen University（深圳大学）；School of Biomedical Engineering and Informatics, Nanjing Medical University（南京医科大学生物医学工程与信息学院）；Pohang University of Science and Technology (POSTECH)（浦项科技大学）；German Cancer Research Center (DKFZ)（德国癌症研究中心）；Heidelberg University（海德堡大学）；Helmholtz Imaging（亥姆霍兹成像机构）
乳腺癌是全世界妇女最常见的死亡原因之一。早期发现有助于减少死亡人数。自动3D乳腺超声（ABUS）是一种较新的乳腺筛查方法，与手持乳腺X射线摄影相比具有许多优点，如安全，快速和乳腺癌检出率更高。肿瘤检测、分割和分类是医学图像分析中的关键组成部分，由于肿瘤大小和形状的显著变化、肿瘤边界不清晰以及低信噪比，在3D ABUS的背景下尤其具有挑战性。缺乏公开可访问的、标记良好的ABUS数据集进一步阻碍了乳腺肿瘤分析系统的发展。为了解决这一差距，我们组织了首届自动3D乳腺超声肿瘤检测、分割和分类挑战赛2023（TDSC-ABUS 2023）。该计划旨在引领该领域的研究，并为与3D ABUS图像分析相关的任务创建一个明确的基准。在本文中，我们总结了挑战中表现最好的算法，并为ABUS图像检查提供了关键分析。我们在https://tdsc-abus2023.grand-challenge.org/上提供TDSC-ABUS挑战赛作为开放访问平台，以基准测试和激励算法研究的未来发展。
2025-01-26 cs.CV eess.IV
Comparison of different CNNs for breast tumor classification from ultrasound images
Politecnico di Milano（米兰理工大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Università Politecnica delle Marche（马尔凯理工大学）
乳腺癌是世界上最致命的癌症之一。及时发现可以降低死亡率。在临床常规中，从超声（US）成像中分类良性和恶性肿瘤是一项重要但具有挑战性的任务。因此，需要一种能够处理数据可变性的自动化方法。在本文中，我们比较了不同的卷积神经网络（CNN）和迁移学习方法用于自动乳腺肿瘤分类任务。本研究中研究的架构是VGG-16和Inception V3。研究了两种不同的训练策略：第一种是使用预训练模型作为特征提取器，第二种是微调预训练模型。共使用947张图像，587张对应于良性肿瘤的US图像，360张对应于恶性肿瘤的US图像。678张图像用于训练和验证过程，269张图像用于测试模型。使用准确度和受试者工作特征曲线下面积（AUC）作为性能指标。通过微调VGG-16获得了最佳性能，准确度为0.919，AUC为0.934。所获得的结果为进一步研究提供了机会，以期改善癌症检测。
2020-12-28 cs.CV eess.IV
Cross-Attention Multimodal Fusion for Breast Cancer Diagnosis: Integrating Mammography and Clinical Data with Explainability
University for Development Studies（发展研究大学）
本文研究融合乳腺X线影像与临床特征的多模态深度网络，通过比较特征拼接、协同注意力和交叉注意力方法，在TCGA和CBIS-DDSM数据集上实现高精度乳腺癌诊断，并探讨可解释AI提升模型可靠性。
2025-08-21 cs.CV cs.LG eess.IV
Integrating AI for Human-Centric Breast Cancer Diagnostics: A Multi-Scale and Multi-View Swin Transformer Framework
Concordia Institute for Information Systems Engineering (CIISE)（康科迪亚信息系统工程研究所）；Concordia University（康科迪亚大学）；Thomas Jefferson University Hospital（泰勒斯·杰弗里斯大学医院）；College of Computing & Informatics（计算与信息学院）；Drexel University（德雷塞尔大学）
本文提出MSMV-Swin框架，利用SAM分离乳腺叶并结合多尺度多视图Swin Transformer与混合融合结构，以增强乳腺癌诊断的鲁棒性和准确性，并促进人机协作。
2026-11-02 cs.AI cs.CV eess.IV
Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography
University of Edinburgh（爱丁堡大学）；Western General Hospital（西部综合医院）
深度卷积神经网络（CNN）已成为乳腺X线诊断的新范式。目前基于CNN的乳腺癌计算机辅助诊断（CAD）直接从输入的乳腺X线图像中提取潜在特征，而忽略了形态学特征的重要性。在本文中，我们介绍了一种用于乳房X光图像处理的新型深度学习框架，该框架可以计算肿块分割并同时预测诊断结果。具体来说，我们的方法是在一个双路径架构，解决了映射的双重问题的方式，与重要的形状和边界知识的额外考虑。一条路径称为局部保持学习器（LPL），致力于分层提取和利用输入的内在特征。而另一条路径，称为条件图学习器（CGL），专注于通过对像素图像建模来生成几何特征，以掩盖相关性。通过集成这两个学习器，语义和结构都得到了很好的保留，而组件学习路径又相辅相成，同时有助于改进质量分割和癌症分类问题。我们在两个最常用的公共乳腺X射线摄影数据集DDSM和INbreast上评估了我们的方法。实验结果表明，DualCoreNet同时实现了最佳的乳腺摄影分割和分类，优于最近的最先进的模型。
2020-08-11 cs.LG eess.IV
Joint Holistic and Lesion Controllable Mammogram Synthesis via Gated Conditional Diffusion Model
Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology（华中科技大学光电研究院）
针对乳腺X线数据不足且病灶多样性有限的问题，本文提出GCDM门控条件扩散框架，通过软掩码与门控病灶属性条件联合生成整体图像和局部病灶，提升真实性、多样性及小病灶可控性。
2025-07-25 cs.AI cs.CV eess.IV
Mammo-CLIP: Leveraging Contrastive Language-Image Pre-training (CLIP) for Enhanced Breast Cancer Diagnosis with Multi-view Mammography
Emory University（埃默里大学）；Winship Cancer Institute（温希普癌症研究所）；Georgia Institute of Technology（佐治亚理工学院）；University of Oklahoma（俄克拉荷马大学）
研究提出首个多模态框架Mammo-CLIP，通过早期特征融合与即插即用适配器高效微调CLIP，解决多视图乳腺X线图像融合难题，在有限数据下AUC优于现有方法，为下一代基于图文的乳腺癌CAD方案提供新途径。
2024-04-24 cs.AI cs.CV eess.IV
An Efficient Solution for Breast Tumor Segmentation and Classification in Ultrasound Images Using Deep Adversarial Learning
Universitat Rovira i Virgili（罗维拉-威尔吉利大学）；Bioinformatics Institute（生物信息学研究所）
本文提出了一种有效的解决方案，乳腺超声（BUS）图像中的肿瘤分割和分类。我们建议在条件生成对抗网络（cGAN）分割模型中添加一个无环卷积层，以学习不同分辨率的BUS图像的肿瘤特征。为了自动重新平衡每个最高级别编码特征的相对影响，我们还建议在网络中添加通道加权块。此外，SSIM和L1范数损失与典型的对抗性损失作为一个损失函数的训练模型。我们的模型在Dice和IoU指标方面优于最先进的分割模型，分别获得了93.76%和88.82%的最高分数。在分类阶段，我们表明，从预测掩模的边界形状中提取的统计特征很少能够正确区分良性和恶性肿瘤，准确率为85%。
2019-07-01 cs.CV eess.IV
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
ULTRA: Uncertainty-aware Label Distribution Learning for Breast Tumor Cellularity Assessment
Harbin Institute of Technology（哈尔滨工业大学）；Western University（韦仕敦大学）
乳腺癌的新辅助治疗（NAT）是临床实践中常见的治疗选择。肿瘤细胞数（TC），代表了肿瘤床中浸润性肿瘤的百分比，已被广泛用于量化乳腺癌对NAT的反应。因此，自动TC估计在临床实践中具有重要意义。然而，现有的最先进的方法通常把它作为一个TC评分回归问题，忽略了主观评价或多个评分者造成的TC标签的模糊性。在本文中，有效地利用标签的歧义，我们提出了一个不确定性感知标签分布学习（ULTRA）框架自动TC估计。所提出的ULTRA首先将单值TC标签转换为离散标签分布，这有效地模拟了所有可能的TC标签之间的模糊性。此外，该网络通过最小化预测和地面真实TC标签分布之间的Kullback-Leibler（KL）分歧来学习TC标签分布，从而更好地监督模型以利用TC标签的模糊性。此外，ULTRA通过多分支特征融合模块模拟临床实践中的多评估者融合过程，以进一步探索TC标签的不确定性。我们在公共BreastPathQ数据集上评估了ULTRA。实验结果表明，ULTRA的性能优于基于回归的方法为一个大的利润率，并取得了国家的最先进的结果。代码可从https://github.com/PerceptionComputingLab/ULTRA获得
2022-06-14 cs.CV eess.IV
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging
IIIT Allahabad（阿拉哈巴德印度理工学院）
深度学习技术的进步为生物医学图像分析应用做出了巨大贡献。由于乳腺癌是妇女中最常见的致命疾病，早期发现是提高生存率的关键手段。像超声这样的医学成像提供了器官功能的极好的视觉表示;然而，对于任何放射科医生来说，分析这种扫描是具有挑战性的，并且耗时，这会延迟诊断过程。虽然提出了各种基于深度学习的方法，取得了可喜的成果，本文介绍了一种有效的残余跨空间注意力引导的初始U-Net（RCA-IUnet）模型，具有最小的训练参数，用于使用乳腺超声成像进行肿瘤分割，以进一步提高不同肿瘤大小的分割性能。RCA-IUnet模型遵循U-Net拓扑结构，具有残差初始深度可分离卷积和混合池化（最大池化和频谱池化）层。此外，还加入了跨空间注意力过滤器，以抑制无关特征并聚焦于目标结构。该模型的分割性能验证两个公开可用的数据集使用标准的分割评估指标，它优于其他国家的最先进的分割模型。
2022-01-02 cs.CV eess.IV
Using Machine Learning to Automate Mammogram Images Analysis
Leibniz University Hannover（汉诺威莱布尼茨大学）；Memorial University of Newfoundland（纽芬兰纪念大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Guangdong Pharmaceutical University（广东药科大学）；McGill University（麦吉尔大学）；University of Milano-Bicocca（米兰比可卡大学）；University of Southern Queensland（南昆士兰大学）
乳腺癌是女性癌症相关死亡的第二大原因，仅次于肺癌。通过乳房X光检查早期发现乳腺癌被认为有效地降低了死亡率。然而，乳腺X线摄影技术仍然存在相对较高的假阳性率和较低的特异性。在这项工作中，提出了一个计算机辅助的自动乳房X线照片分析系统，处理乳房X线照片图像，并自动区分它们是正常的还是癌性的，包括三个连续的图像处理，特征选择，和图像分类阶段。在设计系统时，首先使用离散小波变换（Daubechies 2，Daubechies 4和Biforthogonal 6.8）和傅立叶余弦变换来解析乳腺X线图像并提取统计特征。然后，实现了一种基于熵的特征选择方法，以减少特征的数量。最后，不同的模式识别方法（包括反向传播网络，线性判别分析，和朴素贝叶斯分类器）和投票分类计划。使用受试者工作曲线评价每种分类策略的灵敏度、特异性和准确度以及一般性能。我们的方法是有效的数据集从东部健康在纽芬兰和拉布拉多的加拿大。实验结果表明，所提出的自动乳腺X线图像分析系统可以有效地提高分类性能。
2021-02-13 cs.LG eess.IV
Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images
School of Information Engineering, Xi’an Eurasia University（信息工程学院，西安欧亚大学）；Department of Computer Science, University of Engineering and Technology Lahore（计算机科学系，拉合尔工程科技大学）
针对超声图像中乳腺肿瘤分割的噪声、尺度变化和模糊边界问题，提出集成预训练DenseNet121与多分支注意力增强解码器的混合注意力网络，并采用混合损失函数，在公共数据集上优于现有方法。
2025-06-19 cs.AI cs.CV eess.IV
Rethinking the Unpretentious U-net for Medical Ultrasound Image Segmentation
Nankai University（南开大学）；University of Oxford（牛津大学）
本文提出一种简单而强大的嵌套U-net（NU-net），通过不同深度且共享权重的U-Net提升乳腺超声肿瘤分割的鲁棒性和适应性，在多个数据集上取得有竞争力的性能。
2022-12-13 cs.CV cs.LG eess.IV
Breast Ultrasound Tumor Generation via Mask Generator and Text-Guided Network:A Clinically Controllable Framework with Downstream Evaluation
School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen, China（生物医学工程学院，深圳大学医学院，深圳大学，深圳，中国）；Smart Medical Imaging, Learning and Engineering (SMILE) Lab, Shenzhen University, Shenzhen, China（智能医学影像、学习与工程（SMILE）实验室，深圳大学，深圳，中国）；Nuclear Medicine Department, the Seventh Affiliated Hospital, Sun Yat-Sen University, Shenzhen, China（核医学科，中山大学第七附属医院，中山大学，深圳，中国）；Department of Radiology, the Seventh Affiliated Hospital, Sun Yat-Sen University, Shenzhen, China（放射科，中山大学第七附属医院，中山大学，深圳，中国）；Shenzhen University of Advanced Technology, Shenzhen, China（深圳大学先进技术大学，深圳，中国）
针对乳腺超声图像标注数据稀缺问题，提出一种结合临床描述与结构掩码的临床可控生成框架，并设计语义曲率掩码生成器合成多样肿瘤掩码，实验证明其合成图像能有效提升下游乳腺癌诊断任务表现且具备高度真实性。
2025-07-10 cs.CV eess.IV
