无需额外负担：从2D到3D的数字乳腺断层扫描中的数据高效癌症检测
计算机视觉与模式识别
2025-11-14 v1
摘要
数字乳腺断层扫描（DBT）通过提供体积信息减少重叠组织的影响，从而增强乳腺癌检测的可见性；然而，受限的标注数据已限制了DBT深度学习模型的开发。为解决数据稀缺问题，现有方法尝试复用2D全场数字乳腺 mammography（FFDM）模型，方法要么将DBT体积展平，要么逐个处理切片，从而丢弃体积信息。另一种方法则引入复杂的体积结构，需要更多DBT训练数据。为克服上述缺陷，我们提出M&M-3D架构，使其能够在不增加参数的前提下实现可学习的3D推理，同时相对于其FFDM对应模型M&M保持参数免费。M&M-3D构建恶性导向3D特征，通过反复将这些3D特征与切片级信息混合来实现3D推理。这一通过修改M&M中的操作而不增加参数来实现，从而 enables 直接权重从FFDM迁移。大量实验表明，M&M-3D在局部标记和分类方面分别优于2D投影和3D切片基方法11-54%和3-10%。此外，在数据有限的 regime中，M&M-3D在局部标记和分类方面分别比复杂的3D推理变体高出20-47%和2-10%，在数据充足的 regime中则与之持平。在流行的BCS-DBT基准上，M&M-3D在分类和局部标记方面分别超过了之前的最佳基线4%和10%。
引用
@article{arxiv.2511.10597,
title = {From 2D to 3D Without Extra Baggage: Data-Efficient Cancer Detection in Digital Breast Tomosynthesis},
author = {Yen Nhi Truong Vu and Dan Guo and Sripad Joshi and Harshit Kumar and Jason Su and Thomas Paul Matthews},
journal= {arXiv preprint arXiv:2511.10597},
year = {2025}
}