MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening

要約

乳がんは女性のがんによる死亡の主な原因であり、治療成果と生活の質の向上には早期発見の重要性が強調されています。
主な画像診断検査であるマンモグラフィーは、マンモグラムのばらつきとパターンが大きいため、課題が生じています。
多くのスクリーニング プログラムでは、診断精度を向上させるためにマンモグラフィーの二重読み取りが推奨されていますが、放射線科医の作業負荷は増加します。
研究者は、専門家の意思決定をサポートするために機械学習モデルを調査します。
スタンドアロン モデルは放射線科医と同等またはそれより優れたパフォーマンスを示していますが、複数のデータセットでは感度が低下することが報告されている研究もあり、高い一般化と堅牢性のモデルが必要であることが示されています。
この研究では、クロスドメインのマルチセンターマンモグラフィーデータの一般化可能かつ信頼性の高い分析のための新しい深層学習フレームワークである MammoDG を考案しました。
MammoDG は、マルチビュー マンモグラムと新しい対照メカニズムを活用して一般化機能を強化します。
広範な検証により MammoDG の優位性が実証され、さまざまな画像プロトコルにおける信頼できるマンモグラフィー解析のための領域一般化の重要性が強調されています。

要約(オリジナル)

Breast cancer is a major cause of cancer death among women, emphasising the importance of early detection for improved treatment outcomes and quality of life. Mammography, the primary diagnostic imaging test, poses challenges due to the high variability and patterns in mammograms. Double reading of mammograms is recommended in many screening programs to improve diagnostic accuracy but increases radiologists’ workload. Researchers explore Machine Learning models to support expert decision-making. Stand-alone models have shown comparable or superior performance to radiologists, but some studies note decreased sensitivity with multiple datasets, indicating the need for high generalisation and robustness models. This work devises MammoDG, a novel deep-learning framework for generalisable and reliable analysis of cross-domain multi-center mammography data. MammoDG leverages multi-view mammograms and a novel contrastive mechanism to enhance generalisation capabilities. Extensive validation demonstrates MammoDG’s superiority, highlighting the critical importance of domain generalisation for trustworthy mammography analysis in imaging protocol variations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google