DisAsymNet：基于自对抗学习的双侧乳腺钼靶不对称异常解耦
计算机视觉与模式识别
2023-07-07 v1
摘要
不对称是双侧乳腺钼靶（Bi-MG）在异常发展时的一个关键特征，被广泛用于放射科医生的诊断。在乳腺钼靶算法开发中，“当不对称异常被去除后，对称的 Bi-MG 会是什么样子？”这一问题尚未受到足够关注。解决该问题可为了解乳腺解剖结构提供有价值的见解，并辅助诊断解读。因此，我们提出了一种新颖的框架 DisAsymNet，其利用不对称异常 transformer 引导的自对抗学习来解耦异常与对称 Bi-MG。同时，我们提出的方法部分由随机合成的异常引导。我们在三个公开和一个内部数据集上进行了实验，证明我们的方法在异常分类、分割和定位任务上优于现有方法。此外，重建的正常乳腺钼靶可为临床诊断提供更具可解释性的视觉线索。代码将向公众开放。
引用
@article{arxiv.2307.02935,
title = {DisAsymNet: Disentanglement of Asymmetrical Abnormality on Bilateral Mammograms using Self-adversarial Learning},
author = {Xin Wang and Tao Tan and Yuan Gao and Luyi Han and Tianyu Zhang and Chunyao Lu and Regina Beets-Tan and Ruisheng Su and Ritse Mann},
journal= {arXiv preprint arXiv:2307.02935},
year = {2023}
}