基于上下文聚类的多视图三级信息融合用于乳腿钙化点定位和分类——Mammo-Clustering
组织与器官
2025-07-28 v1
摘要
乳腹癌是全球范围内的重要健康问题，乳腺成像诊断乳腺癌仍具有挑战性。乳腺成像图像具有极高的分辨率，而病灶仅占据图像的很小一部分。在神经网络中进行下采样容易导致微钙化点或细微结构的丢失。为应对这些挑战，我们提出了一种基于上下文聚类的三信息融合框架。首先，与CNN或变换器相比，我们观察到上下文聚类方法(1)在计算效率方面更优，(2)在关联结构或病理特征方面更好。这使其特别适合于临床环境下的乳腺成像。接下来，我们提出了一种三级信息融合机制，整合了全局信息、基于特征的局部信息和基于补丁的局部信息。该方法在两个公开数据集Vindr-Mammo和CBIS-DDSM上进行了严格评估，使用五个独立的数据分割以确保统计鲁棒性。我们的方法在Vindr-Mammo上的AUC为0.828±0.020，在CBIS-DDSM上的AUC为0.805±0.020，均显著优于第二名方法3.5%和2.5%。这些改进具有统计学显著性(p<0.05)，突显了具有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腺成像筛查中展现出强大的潜力，作为一种可扩展且高性价比的乳腺癌检测解决方案，更高效、更准确。我们的 method 可在 https://github.com/Sohyu1/Mammo-Clustering 访问。
引用
@article{arxiv.2507.18642,
title = {Mammo-Clustering: Context Clustering based Multi-view Tri Level Information Fusion for Lesion Location and Classification in Mammography},
author = {Shilong Yang and Chulong Zhang and Xiaokun Liang and Qi Zang and Juan Yu and Liang Zeng and Xiao Luo and Yexuan Xing and Xin Pan and Qi Li and Linlin Shen and Yaoqin Xie},
journal= {arXiv preprint arXiv:2507.18642},
year = {2025}
}
备注
12pages, 7 figures