患者层级交叉验证下乳腺X线摄影分类的兴趣区域增强
计算机视觉与模式识别
2025-10-07 v2 机器学习
摘要
乳腺X线摄影的乳腺癌筛查仍然是早期检测和降低死亡率的核心手段。深度学习在自动化乳腺X线摄影解读方面展现出巨大潜力，但有限分辨率的数据集和较小的样本量继续限制性能。我们重新审视了Mini-DDSM数据集（9,684张图像；2,414名患者），并引入了一种轻量级的兴趣区域（ROI）增强策略。在训练期间，全图以概率方式被从预计算的、无标签的边界框库中随机采样的ROI裁剪所替代，并可选择性地加入抖动以增加多样性。我们在严格的患者层级交叉验证下进行评估，并报告ROC-AUC、PR-AUC以及训练时间效率指标（吞吐量和GPU内存）。由于ROI增强仅在训练阶段进行，推理时间成本保持不变。在Mini-DDSM上，ROI增强（最佳：p_roi = 0.10，alpha = 0.10）带来了适度的平均ROC-AUC提升，性能在不同折之间有所变化；PR-AUC持平或略有下降。这些结果表明，简单的、以数据为中心的ROI策略可以在不要求额外标签或架构修改的情况下增强受限设置下的乳腺X线摄影分类。
引用
@article{arxiv.2509.20585,
title = {Region-of-Interest Augmentation for Mammography Classification under Patient-Level Cross-Validation},
author = {Farbod Bigdeli and Mohsen Mohammadagha and Ali Bigdeli},
journal= {arXiv preprint arXiv:2509.20585},
year = {2025}
}
备注
5 pages, 5 figures, 2 tables