CoMoTo：无配对跨模态脱敏提升数字乳腿断层扫描中肿瘤检测
计算机视觉与模式识别
2024-07-26 v1 人工智能
摘要
数字乳腿断层扫描(DBT)是一种先进的乳腿成像模态，虽以牺牲更长的阅读时间为代价，却提供了优于传统乳腿X光片的更高肿瘤检测准确性。利用深度学习加速DBT的肿瘤检测受限于数据稀缺和巨大的标注成本。一个可能的解决方案是利用来自更广泛可获得模态（如乳腿X光片）提供的信息来增强DBT的肿瘤检测。在本文中，我们提出一种新框架CoMoTo，用于提高DBT的肿瘤检测。我们的框架利用无配对乳腿X光片数据来增强DBT模型的训练，提高实际应用性，无需在推断期使用乳腿X光片。具体而言，我们提出了两种新颖组件：肿瘤特定知识蒸馏(LsKD)和模块内点对齐(ImPA)。LsKD选择性地从乳腿X光片教师模型中蒸馏肿瘤特征到DBT学生模型，忽略背景特征。ImPA进一步通过确保教师模型中肿瘤特征的对齐来丰富LsKD。我们的全面评估显示，CoMoTo优于传统预训练和图像级知识蒸馏，在低数据设置下提升了7%的平均灵敏度。我们的代码已公开于https://github.com/Muhammad-Al-Barbary/CoMoTo。
引用
@article{arxiv.2407.17620,
title = {CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis},
author = {Muhammad Alberb and Marawan Elbatel and Aya Elgebaly and Ricardo Montoya-del-Angel and Xiaomeng Li and Robert Martí},
journal= {arXiv preprint arXiv:2407.17620},
year = {2024}
}
备注
ADSMI @ MICCAI 2024