RADIFUSION：一种基于多放射组学深度学习、利用序列乳腺X线图像并结合图像注意力与双侧不对称精炼的乳腺癌风险预测模型
图像与视频处理
2023-06-05 v2 计算机视觉与模式识别
摘要
乳腺癌是一个重要的公共卫生问题，早期检测对于分诊高风险患者至关重要。序列筛查乳腺X线图像可提供关于乳腺组织随时间变化的重要时空信息。在本研究中，我们提出了一种称为 RADIFUSION 的深度学习架构，其利用序列乳腺X线图像，并融合线性图像注意力机制、放射组学特征、一种用于结合不同乳腺X线视图的新门控机制，以及基于双侧不对称的微调，用于乳腺癌风险评估。我们在一个名为筛查年龄女性队列（CSAW）数据集的筛查数据集上评估了我们的模型。基于由 1,749 名女性组成的独立测试集所得结果，我们的方法优于其他最先进（SOTA）模型，在 1 年 AUC、2 年 AUC 和 >2 年 AUC 三项相应指标上的受试者工作特征曲线下面积（AUC）分别为 0.905、0.872 和 0.866。我们的研究凸显了融合图像注意力、放射组学特征、门控机制及基于双侧不对称的微调等多种深度学习机制对提升乳腺癌风险评估准确性的重要性。我们还证明，通过利用序列乳腺X线图像的时空信息，我们模型的性能得到了增强。我们的发现表明，RADIFUSION 可为临床医生提供一种用于乳腺癌风险评估的有力工具。
引用
@article{arxiv.2304.00257,
title = {RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement},
author = {Hong Hui Yeoh and Andrea Liew and Raphaël Phan and Fredrik Strand and Kartini Rahmat and Tuong Linh Nguyen and John L. Hopper and Maxine Tan},
journal= {arXiv preprint arXiv:2304.00257},
year = {2023}
}
备注
v2