Delving into Ipsilateral Mammogram Assessment under Multi-View Network

要約

近年、多視点マンモグラム解析は AI ベースのがん評価に広く焦点を当ててきました。
この研究では、多様な融合戦略 (平均と連結) を探索し、粗い層と細かい層を含む、さまざまな個人と融合経路でのモデルの学習動作を調べることを目的としています。
ResNet-18の5つの融合タイプ（Pre、Early、Middle、Last、Post Fusion）からなる同側マルチビューネットワークが採用されています。
特に、Middle Fusion は最もバランスのとれた効果的なアプローチとして浮上しており、VinDr-Mammo データセットでは深層学習モデルの汎化パフォーマンスを +5.29\% (連結) および +5.9\% (平均)、および +2.03\% (連結) 向上させています。
) およびマクロ F1 スコアの CMMD データセットで +3\% (平均)。
この論文では、さまざまな戦略によるマルチビュー ネットワーク抽出におけるレイヤー割り当ての重要な役割を強調しています。

要約(オリジナル)

In many recent years, multi-view mammogram analysis has been focused widely on AI-based cancer assessment. In this work, we aim to explore diverse fusion strategies (average and concatenate) and examine the model’s learning behavior with varying individuals and fusion pathways, involving Coarse Layer and Fine Layer. The Ipsilateral Multi-View Network, comprising five fusion types (Pre, Early, Middle, Last, and Post Fusion) in ResNet-18, is employed. Notably, the Middle Fusion emerges as the most balanced and effective approach, enhancing deep-learning models’ generalization performance by +5.29\% (concatenate) and +5.9\% (average) in VinDr-Mammo dataset and +2.03\% (concatenate) and +3\% (average) in CMMD dataset on macro F1-Score. The paper emphasizes the crucial role of layer assignment in multi-view network extraction with various strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google