Core Concepts
Eine neuartige Methode zur Identifizierung abnormaler digitaler Brust-Tomosynthese-Bilder unter Verwendung von selbstüberwachter kontrastiver Vorinitialisierung und lokaler Mehrpatch-Feinabstimmung.
Abstract
Die Studie präsentiert einen neuartigen Ansatz namens SIFT-DBT zur Klassifizierung von digitalen Brust-Tomosynthese-Bildern (DBT). Das Hauptproblem, das adressiert wird, ist die extreme Datenunausgewogenheit in realen DBT-Datensätzen, bei denen nur ein kleiner Bruchteil der Bilder abnormales Gewebe enthält.
Der Ansatz besteht aus zwei Hauptkomponenten:
Selbstüberwachte kontrastive Vorinitialisierung: Hierbei wird ein Kontrastlernparadigma verwendet, um robuste Merkmale aus den Daten selbst zu extrahieren, anstatt sich nur auf die unausgewogene Klassenverteilung zu konzentrieren. Dafür werden Metadaten wie Ansichten und benachbarte Scheiben als positive Paare verwendet.
Lokale Mehrpatch-Feinabstimmung: Während die Vorinitialisierung bereits leistungsfähige Merkmale liefert, wird eine Feinabstimmung auf Patch-Ebene durchgeführt, um die Auflösung und Effizienz zu verbessern. Dabei werden die Lernraten für die verschiedenen Modellblöcke unterschiedlich angepasst.
Die vorgeschlagene Methode übertrifft mehrere Baseline-Modelle deutlich bei der Slice- und Volumenklassifizierung auf dem öffentlichen BCS-DBT-Datensatz. Die Ergebnisse zeigen, dass SIFT-DBT das Potenzial hat, Radiologen dabei zu unterstützen, riskantere Scans schnell zu identifizieren und den Screening-Prozess effizienter zu gestalten.
Stats
Die Studie verwendet den öffentlichen BCS-DBT-Datensatz, der 4.838 Studien mit insgesamt 19.148 Volumina enthält, von denen nur 101 Studien (224 Volumina) als abnormal gekennzeichnet sind.
Quotes
"Solch eine extreme Unausgewogenheit kann zum Scheitern verschiedener moderner computergestützter DBT-Diagnose-Methoden führen."
"Unser SIFT-DBT übertrifft mehrere Baseline-Modelle deutlich bei der Slice- und Volumenklassifizierung auf dem öffentlichen BCS-DBT-Datensatz."