基于标注高效深度学习方法在乳腺X线摄影与数字乳腺断层合成中的鲁棒乳腺癌检测
图像与视频处理
2019-12-30 v2 计算机视觉与模式识别
机器学习
摘要
乳腺癌仍是全球性挑战，2018年造成全球超过100万人死亡。为实现更早的乳腺癌检测，世界卫生组织推荐筛查性X线乳腺摄影，并估计其可使乳腺癌死亡率降低20-40%。然而，显著的假阳性与假阴性率以及高昂的解读成本，为提升质量与可及性留下了空间。为应对这些局限，近期将深度学习应用于乳腺摄影的研究兴趣浓厚；但获取大量标注数据对训练此类深度学习模型构成挑战，确保对训练数据集所代表人群之外的泛化能力同样困难。在此，我们提出一种标注高效的深度学习方法，其：1）在乳腺摄影图像分类中达到最先进性能；2）成功推广至数字乳腺断层合成（DBT；“3D乳腺摄影”）；3）在癌症患者的临床阴性既往乳腺摄影中检测出癌症；4）对低筛查率人群具有良好的泛化能力；5）通过平均绝对灵敏度提升14%优于五位全职乳腺影像专家中的五位。我们的结果表明，该软件有望提高全球筛查性乳腺摄影的准确性与可及性。
引用
@article{arxiv.1912.11027,
title = {Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach},
author = {William Lotter and Abdul Rahman Diab and Bryan Haslam and Jiye G. Kim and Giorgia Grisot and Eric Wu and Kevin Wu and Jorge Onieva Onieva and Jerrold L. Boxerman and Meiyun Wang and Mack Bandler and Gopal Vijayaraghavan and A. Gregory Sorensen},
journal= {arXiv preprint arXiv:1912.11027},
year = {2019}
}