Follow the Radiologist: Clinically Relevant Multi-view Cues for Breast Cancer Detection from Mammograms

摘要

背景： 使用基于深度学习的对象检测模型的自动乳腺癌检测已经实现了高灵敏度，但通常难以应对高假阳性率。虽然放射科医生能够使用多个视图分析和识别乳腺 X 光检查中的恶性肿块，但这对基于深度学习的模型构成了挑战。受自然图像中物体外观在多个视图中的行为方式的启发，研究人员提出了几种技术来利用肿瘤在多个视图中的位置之间的几何对应并减少假阳性
目的： 质疑这些线索的临床相关性，两个乳房 X 光检查视图之间的几何对应存在固有的歧义，因此不可能进行精确的几何对齐
方法： 在两个视图之间匹配形态线索。利用计算机视觉中对象检测方法的最新进展，我们采用了最先进的 transformer 架构来使用建议的形态学线索。
结果： 与几何对齐相比，提出的线索更符合临床医生的方法。使用我们的方法，我们在基准 INBreast 数据集上显示，每张图像的假阳性 （FPI） 为 0.3，灵敏度显著提高了 5%。我们还报告说，AIIMS 和基准 DDSM 数据集分别提高了 2% 和 1%。
代码地址

方法

图 1.几何不一致
（a） 使用乳房 X 光检查标志和交叉视图对应关系来定位癌症（绿框）。
（b）、（c） 和 （d） 代表具有肿瘤的 3D 乳腺模型。
（b） 模拟了 （a），而 （c） 和 （d） 揭示了不同视图中肿瘤位置的变化，强调了几何对应在协调肿瘤位置方面的相关性有限。

图 2.模型概述：从两个不同的视图获取乳腺 X 光检查图像作为输入。图像由对象检测模型处理以生成初始建议。然后使用提案优化网络对这些提案进行细化，该网络预测来自不同视图的提案对的上下文信息之间的相关性

像放射科医生所做的那样，我们从一个视图（例如 MLO 视图）获取每个预测，并从另一个视图（本例中为 CC）的候选预测中寻找其支持。

实验结果