GIIM：基于图学习的医学图像诊断中 intra-视图与 inter-视图依赖关系建模
计算机视觉与模式识别
2026-03-11 v1
摘要
计算机辅助诊断（CADx）已成为医学影像中的关键技术，但自动化系统常常难以复制临床解读中细致的过程。专家诊断需要全面分析异常灶在不同视图和时间点之间的相互关系，但当前的多视图CADx方法常常忽略这些复杂的依赖关系。具体而言，它们无法建模单个视图内的关键关系以及病灶在不同视图之间呈现的动态变化。这种局限性加上数据不完整这一常见挑战，大大降低了预测可靠性。为此，我们将诊断任务重新定义为关系建模问题，提出GIIM——一种新颖的基于图的方法。我们的框架独特地能够同时捕获单个视图内异常灶之间的关键依赖关系以及跨视图的动态变化。此外，为处理临床常见的数据缺失问题，本文引入特定技术以确保诊断的鲁棒性。我们通过在多种影像模态（包括CT、MRI和乳腺钼靶）上的广泛评估，展示了该方法的普适性。结果表明，GIIM模型在诊断准确性和鲁棒性方面显著优于现有方法，为未来CADx系统的构建奠定了更有效的框架。
引用
@article{arxiv.2603.09446,
title = {GIIM: Graph-based Learning of Inter- and Intra-view Dependencies for Multi-view Medical Image Diagnosis},
author = {Tran Bao Sam and Hung Vu and Dao Trung Kien and Tran Dat Dang and Van Ha Tang and Steven Truong},
journal= {arXiv preprint arXiv:2603.09446},
year = {2026}
}
备注
To appear in the 40th AAAI Conference on Artificial Intelligence (AAAI-26). 10 pages, 2 figures