Multi-view Local Co-occurrence and Global Consistency Learning Improve Mammogram Classification ...

【MICCAI2022】Multi-view Local Co-occurrence and Global Consistency Learning Improve Mammogram Classification Generalisation

多视图局部共现和全局一致性学习提高乳房x线照片分类泛化

Abstract

在分析筛查乳房x线照片时，放射科医生可以自然地处理每个乳房的两个同侧视图的信息，即颅-尾侧(CC)视图和中外侧-斜位(MLO)视图。

这些多个相关图像提供了互补的诊断信息，可以提高放射科医生的分类准确性。不幸的是，大多数现有的深度学习系统都是用全局标记的图像进行训练的，缺乏从这些多个视图中联合分析和整合全局和局部信息的能力。通过忽略在一个放映集的多个图像中存在的潜在有价值的信息，人们限制了这些系统的潜在准确性。

在这里，我们提出了一种新的多视图全局-局部分析方法，该方法模仿放射科医生的阅读过程，基于乳房x光片中同侧视图的全局一致性学习和局部共现学习。大量的实验表明，我们的模型在分类精度和泛化方面优于竞争方法，在一个大规模的私有数据集和两个公开可用的数据集上，模型是专门用全局标签训练和测试的。

关键词:深度学习·监督学习·乳房x光片分类·多视图

1 Introduction

乳腺癌是世界上最常见的癌症，也是癌症相关死亡的第五大原因[27]。早期发现乳腺癌可以挽救生命，人群筛查项目显示死亡率降低[11]。提高乳腺癌生存率的最佳方法之一是通过筛查性乳房x光检查进行早期发现[20]。筛查性乳房x光检查包含每个乳房的两个同侧视图，即双侧颅侧(CC)和中外侧斜侧(MLO)，放射科医生通过搜索全局结构扭曲和局部肿块和钙化来综合分析这两个视图。此外，放射科医生倾向于相当适应来自不同机器和不同癌症患病率的新领域的图像。已经开发了一些自动化系统[1,4,22,24,32]，但在低癌症流行筛查人群中，没有一个达到与放射科医生相