SIFT-DBT：面向不平衡数字乳腺断层合成图像分类的自监督初始化与微调
图像与视频处理
2024-03-21 v1 计算机视觉与模式识别
机器学习
摘要
数字乳腺断层合成（DBT）是一种广泛用于乳腺癌筛查与诊断的医学成像模态，通过其类 3D 的乳腺体积成像能力提供更高的空间分辨率和更多细节。然而，增加的数据量也带来了显著的数据不平衡挑战，其中只有一小部分体积包含可疑组织。这进一步加剧了由于真实世界数据中病例级分布导致的数据不平衡，并导致模型学习到只预测多数类的平凡分类模型。为了解决这一问题，我们提出了一种新方法，利用视图级对比自监督初始化与微调来识别异常 DBT 图像，称为 SIFT-DBT。我们进一步引入了块级多实例学习方法以保留空间分辨率。所提方法在 970 项独立研究的评估中实现了 92.69% 的体积级 AUC。
引用
@article{arxiv.2403.13148,
title = {SIFT-DBT: Self-supervised Initialization and Fine-Tuning for Imbalanced Digital Breast Tomosynthesis Image Classification},
author = {Yuexi Du and Regina J. Hooley and John Lewin and Nicha C. Dvornek},
journal= {arXiv preprint arXiv:2403.13148},
year = {2024}
}
备注
Accepted by IEEE ISBI 2024