摘要
放射科医生通常会比较双侧乳房x光片来发现不对称的异常。虽然纤维腺组织通常分布相当对称,但病变在一个乳房,并且在相反乳房的相应区域很少有对应的病变。基于这一经验,我们探索了一个模型,该模型可以学习从双侧乳房x光片中检测出不对称的信息,然后发现异常区域,类似于放射科医生所做的事情。这可以提高模型的性能和可解释性。我们在流行的INBreast数据集上评估了所提出的方法,并在异常分类和弱监督分割任务中显示出了改进的性能。
引言
全世界每年通过以人群为基础的筛查项目产生数以百万计的乳房x光检查。大部分的图片都来自于一个健康的人群。2-10%的女性被召回,1-3%的女性因发现异常而被建议进行活检。大量的研究已经使用了最先进的深度学习(DL)方法,有助于减少工作量,并提高放射科医生在这大量的筛查图像中充分检测乳腺癌方面的表现。然而,大多数这些模型只关注一个单一的图像,而忽略了在寻找异常时可能非常有用的对称性信息。此外,许多DL模型缺乏解释其决定的原因的能力。
在临床实践中,放射科医生通常通过对配对的乳房x线照片的双侧分析来识别异常。一个重要的乳房x线摄影评估是“解剖对称性”,它已被美国放射学院的BI-RADS标准认证(Wang et al.,2021)。说明健康人群双侧乳房的腺体形态大致对称。相比之下,大多数病变只出现在一侧,即使病变出现在两侧,也很少处于对称的位置。受这些先验知识的启发,我们探索训练一个双视图(DV)DL模型来学习从双侧乳房x光片中识别不对称的结构。因此,该模型可以像放射科医生一样进行推断,通过识别双侧乳房x光片中的不对称性来寻找异常情况。
材料和方法
在这项工作中,我们提出了一个基于DL的不对称注意模型(ASY),并重点关注于识别健康和异常人群,以减少放射科医生的工作量。此外,我们使用监督对比(SupCon)损失,而不是通过配准成对的双侧图像进行预处理,来约束模型以端对端的方式从成对的双边视图中学习相应的区域映射。为了有效地提高模型对诊断的解释和定位异常,我们还提供了一个在线类激活图(CAM)模块,以产生基于梯度的关注,突出不对称和异常区域。
我们在公共的INBreast数据集上评估了我们的模型,该数据集有115个病例,还提供了肿块和钙化的BI-RADS标签和像素化的真实值。选取所有成对的双侧图像,随机分为训练集、验证集和测试集,比例分别为6/2/2。为了证明我们提出的方法的泛化能力,我们考虑了两种设置:只识别肿块异常(BI-RADS > 1,伴有肿块)和识别混合异常(BI-RADS > 1,包括肿块和钙化)。我们的框架如图1所示。首先,我们将成对的双侧图像输入到两个权重共享的ResNet50(没有最终池化层和线性层),并连接到一个不对称注意(ASY)块,其中包括通道和位置注意。然后,被注意的双侧特征受到SupCon损失的限制。具体来说,我们定义了一对来自同一正常人的图像,因为阳性样本和其他情况都是阴性样本。最后,将每边的特征和残差特征(通过计算每边特征的差值得到)输入不同的分类器,输出对称/不对称、正常/异常和CAMs的预测。