Mammo-Clustering：面向乳腔钼片局部分类和定位的多视角三级信息融合上下文聚类框架
计算机视觉与模式识别
2025-03-18 v4 人工智能
摘要
乳腺癌是全球范围内的重大健康问题，乳腺成像诊断一直备受挑战。乳腔钼片图像通常具有极高的分辨率，其中病灶仅占据极小区域。神经网络中的下采样操作容易导致微钙化点或细微结构的丢失，使得传统神经网络架构难以解决此类问题。为应对这些挑战，我们提出了基于三级信息融合的上下文聚类网络。首先，与CNN或transformer相比，我们发现上下文聚类方法（1）计算效率更高，（2）更容易关联结构或病理特征，因而适用于乳腔钼片的临床任务。其次，我们提出了三级信息融合机制，整合全局信息、基于特征的局部信息和基于切片的局部信息。该方法在两个公开数据集（Vindr-Mammo和CBIS-DDSM）上进行了严格评估，使用五个独立的划分以确保统计鲁棒性。我们的方法在Vindr-Mammo上实现了0.828的AUC，在CBIS-DDSM上实现了0.805的AUC，分别超过下一最佳方法3.1%和2.4%。这些改进具有统计学显著性（p<0.05），凸显了基于三级信息融合的上下文聚类网络的优势。总体而言，我们的上下文聚类框架在大规模乳腔钼片筛查中展现出强大的潜力，能够更高效、更准确地实现乳腺癌检测。 our method is available at https://github.com/Sohyu1/Mammo_Clustering.
引用
@article{arxiv.2409.14876,
title = {Mammo-Clustering: A Multi-views Tri-level Information Fusion Context Clustering Framework for Localization and Classification in Mammography},
author = {Shilong Yang and Chulong Zhang and Qi Zang and Juan Yu and Liang Zeng and Xiao Luo and Yexuan Xing and Xin Pan and Qi Li and Xiaokun Liang and Yaoqin Xie},
journal= {arXiv preprint arXiv:2409.14876},
year = {2025}
}
备注
10 pages, 6 figures