重新考虑纵向乳房影像对增强乳腺癌风险预测的显式对齐方式

定期乳房影像筛查对于早期乳腺癌检测至关重要。基于深度学习的风险预测方法引发了对高风险群体调整筛查间隔的兴趣。虽然早期方法仅关注当前乳房影像，但近期方法利用筛查的时序方面来追踪乳房组织随时间的变化，需要在不同时间点之间进行空间对齐。两种主要策略 emerged: 通过可变形配准实现的显式特征对齐，或使用如 transformer 等技术实现的隐式学习对齐，前者提供了更多控制。然而，乳 breast 影像显式对齐的最佳方法仍未得到充分探讨。本研究提供了关于显式对齐应 occurring 在何处（输入空间 vs. 表示空间）以及对齐与风险预测是否应联合优化的见解。我们演示了在表示空间中联合学习显式对齐而优化风险估计性能——即当前最先进的方法——在对齐质量与预测性能之间产生了权衡，并展示了图像级对齐优于表示级对齐，导致更好的变形场质量和更准确的风险预测。代码已公开于 https://github.com/sot176/Longitudinal_Mammogram_Alignment.git。