结合 SAM 与 Forward-Forward 对比学习的乳腺癌肿块切除术边缘检测
计算机视觉与模式识别
2025-06-27 v1
摘要
在肿块切除术中完全切除肿瘤并确保阴性标本边缘对于降低乳腺癌复发率至关重要。然而，目前用于评估术中标本边缘状态的2D标本X射线摄影（SR）准确度有限，导致近四分之一的患者需要接受额外手术。为了解决这一问题，我们提出了一种结合 Segment Anything Model（SAM）与 Forward-Forward Contrastive Learning（FFCL）的新型深度学习框架，这是一种利用局部和全局对比学习进行 SR 图像块级分类的预训练策略。在用已知恶性肿瘤区域、非恶性肿瘤组织和经病理学确认的边缘对 SR 图像进行标注后，我们使用 FFCL 预训练 ResNet-18 主干网络以对边缘状态进行分类，然后重建粗略的二值掩码以提示 SAM 进行精细的肿瘤边缘分割。我们的方法在边缘分类上达到了 0.8455 的 AUC，边缘分割的 Dice 相似度比基线模型提高了 27.4%，同时将推理时间减少到每张图像 47 毫秒。这些结果表明，FFCL-SAM 显著提升了术中边缘评估的速度和准确性，在降低再次切除率和改善乳腺癌治疗效果方面具有巨大潜力。我们的代码可在 https://github.com/tbwa233/FFCL-SAM/ 获取。
引用
@article{arxiv.2506.21006,
title = {Detection of Breast Cancer Lumpectomy Margin with SAM-incorporated Forward-Forward Contrastive Learning},
author = {Tyler Ward and Xiaoqin Wang and Braxton McFarland and Md Atik Ahamed and Sahar Nozad and Talal Arshad and Hafsa Nebbache and Jin Chen and Abdullah Imran},
journal= {arXiv preprint arXiv:2506.21006},
year = {2025}
}
备注
19 pages, 7 figures, 3 tables