高密度乳腺钼靶的高分辨率合成：在基于深度学习肿块检测公平性改进中的应用
图像与视频处理
2023-01-25 v2 计算机视觉与模式识别
摘要
基于深度学习的计算机辅助检测系统在乳腺癌检测中表现出良好性能。然而，高密度乳腺的检测性能较差，因为致密组织会掩盖甚至模拟肿块。因此，钼靶对乳腺癌检测的灵敏度在致密乳腺中可降低逾 20%。此外，与低密度乳腺相比，极度致密病例的癌症风险增加。本研究旨在使用合成的高密度全视野数字钼靶（FFDM）作为数据增强，在乳腺肿块检测模型训练期间改善高密度乳腺中的肿块检测性能。为此，利用三个 FFDM 数据集训练了共五个循环一致 GAN（CycleGAN）模型，用于高分辨率钼靶中低到高密度图像的转换。训练图像按乳腺密度 BI-RADS 类别划分，其中 BI-RADS A 几乎全为脂肪，BI-RADS D 为极度致密乳腺。我们的结果显示，所提数据增强技术提升了用小数据集训练的模型的肿块检测灵敏度与精度，并改善了用大型数据库训练的模型的域泛化能力。此外，合成图像的临床表现真实性在一项由两名专家放射科医师和一名外科肿瘤医师参与的阅片研究中得到评估。
引用
@article{arxiv.2209.09809,
title = {High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection},
author = {Lidia Garrucho and Kaisar Kushibar and Richard Osuala and Oliver Diaz and Alessandro Catanese and Javier del Riego and Maciej Bobowicz and Fredrik Strand and Laura Igual and Karim Lekadir},
journal= {arXiv preprint arXiv:2209.09809},
year = {2023}
}
备注
9 figures, 4 tables