将深度学习恶性病变模型从全视野数字乳腺摄影迁移至数字乳腺断层合成
计算机视觉与模式识别
2020-01-24 v1 机器学习
图像与视频处理
摘要
基于乳腺摄影的筛查有助于降低乳腺癌死亡率，但也因特异性低导致不必要的检查或操作、以及灵敏度低而带来潜在危害。数字乳腺断层合成（DBT）通过同时提高灵敏度和特异性改进了传统乳腺摄影，并在临床环境中日益普及。然而，深度学习（DL）模型主要开发于传统的二维全视野数字乳腺摄影（FFDM）或扫描胶片图像上。由于缺乏大规模标注的DBT数据集，很难从零开始在DBT上训练模型。在这项工作中，我们提出了将FFDM图像上训练的模型泛化到DBT图像的方法。具体而言，我们使用平均直方图匹配（HM）和DL微调方法，将FFDM模型泛化到DBT图像的二维最大强度投影（MIP）。在所提出的方法中，FFDM与DBT域之间的差异通过HM减小，然后在大量FFDM图像上训练的基础模型被微调。在围绕已识别发现提取的图像块上进行评估时，我们在FFDM上获得了约0.9的受试者工作特征曲线下面积（ROC AUC），在MIP图像上获得了约0.85的ROC AUC，而直接在MIP图像上测试时ROC AUC约为0.75。
引用
@article{arxiv.2001.08381,
title = {Adaptation of a deep learning malignancy model from full-field digital mammography to digital breast tomosynthesis},
author = {Sadanand Singh and Thomas Paul Matthews and Meet Shah and Brent Mombourquette and Trevor Tsue and Aaron Long and Ranya Almohsen and Stefano Pedemonte and Jason Su},
journal= {arXiv preprint arXiv:2001.08381},
year = {2020}
}
备注
SPIE Medical Imaging 2020