学习来自互补乳腿成像模态的统一表示的训练方案
计算机视觉与模式识别
2024-08-19 v1 机器学习
摘要
全场数字乳腺钧剂（FFDM）和数字乳腺断层扫描（DBT）是乳腺癌筛查中最常用的两种成像模态。尽管DBT相较于FFDM提高了癌症检测率，但其在临床实践中的广泛采用受到了增加解读时间和对特定病灶可见性下降的顾虑的阻碍。特别是，DBT在微钙化痕迹方面的非劣性仍存在争议。由于视野精度的下降，联合DBT-FFDM采集仍然流行，导致整体检查时间和辐射剂量的增加。使DBT能够提供FFDM和DBT中均存在的诊断信息可减少对FFDM的依赖，从而减少这两种量。我们提出一种机器学习方法，通过学习两种模态中互补诊断信号的高层次表示来实现上述目标。大规模数据集上的实验验证了我们的主张，表明我们的表示比任何基于DBT或FFDM的模型都能实现更准确的乳腺病灶检测。
引用
@article{arxiv.2408.08560,
title = {A training regime to learn unified representations from complementary breast imaging modalities},
author = {Umang Sharma and Jungkyu Park and Laura Heacock and Sumit Chopra and Krzysztof Geras},
journal= {arXiv preprint arXiv:2408.08560},
year = {2024}
}