基于掩码引导的多通道 SwinUNETR 框架用于鲁棒性MRI肿瘤分类
计算机视觉与模式识别
2025-08-29 v1
摘要
乳腺癌是女性癌症死亡率最高的原因之一，早期检测对于改善预后至关重要。磁共振成像（MRI）是乳腺癌检测的高度灵敏工具，尤其适用于高危女性或乳腺密度大的女性，而乳腺钛片对此类人群效果较差。ODELIA 联盟组织了一项多中心挑战，以促进基于人工智能的乳腺癌诊断和分类解决方案。数据集包括来自六个欧洲中心的 511 项研究，采用来自多个厂商的扫描仪，在 1.5 T 和 3 T 条件下获取。每项研究均针对左右乳腺标注为无肿瘤、良性肿瘤或恶性肿瘤。我们开发了基于 SwinUNETR 的深度学习框架，集成乳腺区域掩码、广泛的数据增强和集成学习，以提高鲁棒性和可泛化性。该方法在挑战排行榜上获得第二名，凸显了其支持临床乳腺MRI解读的潜力。我们公开分享了代码：https://github.com/smriti-joshi/bcnaim-odelia-challenge.git。
引用
@article{arxiv.2508.20621,
title = {Mask-Guided Multi-Channel SwinUNETR Framework for Robust MRI Classification},
author = {Smriti Joshi and Lidia Garrucho and Richard Osuala and Oliver Diaz and Karim Lekadir},
journal= {arXiv preprint arXiv:2508.20621},
year = {2025}
}