DensiThAI：基于红外图像的乳腺密度估计多视角深度学习框架
计算机视觉与模式识别
2026-02-03 v1
摘要
乳腺组织密度是乳腺癌风险的关键生物标志物，也是乳腺 X 射线 mammography 检查灵敏度的主要因素。然而，密度评估目前几乎完全依赖 X 射线 mammography，这是一种放射性成像方法。本研究探讨了使用人工智能对红外热成像进行乳腺密度估计的可行性，提供了一种无放射性成像方法。其基本假设是，纤维结节组织和脂肪组织具有不同的热力学和生理特性，导致乳腺表面存在细微但具有空间一致性的温度变化。在本文中，我们提出 DensiThAI，一个用于从热成像进行乳腺密度分类的多视角深度学习框架。该框架在包括 3,500 名女性的多中心数据集上进行评估，使用基于 mammography 的密度标签作为参考标准。使用五个标准热成像视角，DensiThAI 在 10 个随机划分上的平均 AUROC 为 0.73，所有划分均显示密度类别之间存在显著分离 (p << 0.05)。年龄组间的一致性能力支持热成像作为无放射性方法评估乳腺密度的潜力，并对改善患者体验和优化工作流程具有意义。
引用
@article{arxiv.2602.00145,
title = {DensiThAI, A Multi-View Deep Learning Framework for Breast Density Estimation using Infrared Images},
author = {Siva Teja Kakileti and Geetha Manjunath},
journal= {arXiv preprint arXiv:2602.00145},
year = {2026}
}