【成果】硕士研究生刘新川在乳腺钼把图像分类方面取得进展

近日，公司人工智能专业2023级硕士研究生刘新川在乳腺钼把图像分类方面取得进展，相关研究成果Lesion Asymmetry Screening Assisted Global Awareness Multi-view Network for Mammogram Classification发表在《IEEE Transactions on Medical Imaging》。《IEEE Transactions on Medical Imaging》是医学成像技术领域的国际知名期刊，目前影响因子为9.8（SCI一区）。论文第一作者为刘新川，通讯作者为刘宝弟副教授，BB贝博艾弗森为唯一署名单位和通讯单位，（山东省肿瘤医院为第二署名单位和通讯单位），该研究得到山东省自然科学基金、国家自然科学基金、山东省重大基础研究项目、青岛市自然科学基金、BB贝博艾弗森中央高校基本科研业务费专项资金、中国石油天然气集团有限公司重大科技项目、山东省高校青年创新团队发展计划、云南省 “心脑同治” 临床医学关键技术研发项目、页岩油气富集机理与有效开发国家重点实验室开放基金以及济南市临床医学科技创新计划项目的资助支持。

图1 论文首页

乳腺X线摄影是早期筛查的主要方法，开发基于深度学习的计算机辅助系统具有重要意义。然而，当前的深度学习模型通常将每张图像视为独立的诊断单元，而非整合多视角图像对患者进行诊断。这些方法未能充分考虑和处理不同视角间的复杂关联，导致诊断性能和可解释性欠佳。为解决这一问题，本文提出了一种新颖的乳腺癌诊断端到端框架——病灶不对称筛查辅助全局感知多视图网络（LAS-GAM）。与常见的图像级诊断模型不同，LAS-GAM以患者为单位开展诊断，模拟放射科医生分析乳腺X线图像的工作流程。该框架处理患者的四个视角图像，核心围绕两个关键模块展开：全局模块和病灶筛查模块。全局模块模拟放射科医生的综合评估过程，整合双侧乳房头尾位（CC位）和内外侧斜位（MLO位）视图的互补信息，生成表征患者整体状况的全局特征；病灶筛查模块则模拟通过对比对侧视角对称区域定位病灶的过程，利用轻量级模型识别潜在病灶区域并提取病灶特异性特征。LAS-GAM通过融合全局特征与病灶特异性特征，模拟完整诊断流程，实现患者级诊断预测。此外，该模型仅需基于患者级标签进行训练，大幅降低了数据标注成本。在乳腺筛查数字数据库（DDSM）和内部数据集上的实验验证表明，LAS-GAM的AUC值分别达到0.817和0.894。

图2 LAS-GAM模型整体架构

论文链接：https://ieeexplore.ieee.org/document/11154016