利用筛查乳腺钼靶图像中局部与全局信息以降低假阳性活检的深度神经网络
图像与视频处理
2020-09-22 v1 计算机视觉与模式识别
机器学习
摘要
乳腺癌是女性中最常见的癌症，全球范围内开展了数十万例不必要的活检，造成了巨大的成本。降低最终结果为良性组织的活检率至关重要。在本研究中，我们构建深度神经网络（DNNs）将活检病灶分类为恶性或良性，旨在将这些网络作为放射科医生的第二阅片者使用，以进一步减少假阳性发现的数量。我们通过将整幅图像学习得到的显著性图形式的全局上下文整合到推理过程中，增强了训练于小图像块的 DNNs 的性能，类似于放射科医生在评估感兴趣区域时考虑全局上下文的方式。我们的实验在来自 141,473 名患者的 229,426 例筛查乳腺摄影检查的数据集上进行。我们在由 464 个良性病灶和 136 个恶性病灶组成的测试集上取得了 0.8 的 AUC。
引用
@article{arxiv.2009.09282,
title = {Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms},
author = {Nan Wu and Zhe Huang and Yiqiu Shen and Jungkyu Park and Jason Phang and Taro Makino and S. Gene Kim and Kyunghyun Cho and Laura Heacock and Linda Moy and Krzysztof J. Geras},
journal= {arXiv preprint arXiv:2009.09282},
year = {2020}
}