M&M：以多视图多示例学习稀疏检测器应对乳腺摄影中的假阳性
计算机视觉与模式识别
2025-11-14 v1
摘要
基于深度学习的物体检测方法在改进筛查性乳腺摄影方面展现前景，但高假阳性率会阻碍其在临床实践中的有效性。为降低假阳性，我们识别出三项挑战：（1）不同于自然图像，恶性乳腺摄影图像通常仅含一处恶性发现；（2）乳腺摄影检查含每侧乳房两个视图，正确评估须综合考虑两视图；（3）大多数乳腺摄影图像为阴性且不含任何发现。本工作中，我们通过以下方式应对上述三项挑战：（1）利用 Sparse R-CNN 并表明稀疏检测器比密集检测器更适用于乳腺摄影；（2）加入多视图交叉注意力模块以融合不同视图信息；（3）引入多示例学习（MIL）以使用未标注图像训练并执行乳房级分类。所得模型 M&M 是一个多视图多示例学习系统，既可定位恶性发现又能提供乳房级预测。我们使用五个乳腺摄影数据集验证了 M&M 的检测与分类性能。此外，我们通过全面的消融实验证明了各提出组件的有效性。
引用
@article{arxiv.2308.06420,
title = {M&M: Tackling False Positives in Mammography with a Multi-view and Multi-instance Learning Sparse Detector},
author = {Yen Nhi Truong Vu and Dan Guo and Ahmed Taha and Jason Su and Thomas Paul Matthews},
journal= {arXiv preprint arXiv:2308.06420},
year = {2025}
}
备注
MICCAI 2023 with supplementary materials