A deep learning framework for accurate mammographic mass classification using local context attention module
Notice bibliographique
Résumé
BACKGROUND: Dense breast tissue significantly increases breast cancer (BC) risk. However, current mammographic methods for classifying BC are often subjective and unreliable, which complicates the task of accurate evaluation. PURPOSE: This study introduces a deep learning method with a local context attention module (LCAM), using dual mammogram views aligned with BI-RADS to enhance grading consistency and accuracy in BC classification across four groups by leveraging local context around masses. METHODS: Specific regions of interest (ROIs) containing dense tissue around breast masses are identified from dual mammogram views, providing additional insights for predicting BC BI-RADS categories. These ROIs are then input into a convolutional neural network (CNN)-based model, which is crucial for selecting and differentiating radiomic features associated with BI-RADS. To enhance our model's ability to distinguish salient radiomic features associated with mass malignancy, the LCAM sequentially infers attention maps along two separate dimensions: channel and spatial. These attention maps are subsequently multiplied with the input feature map for adaptive feature refinement. RESULTS: Examining 3020 patients across four BI-RADS categories while leveraging dual mammogram views demonstrates the robust performance of the proposed framework, achieving a sensitivity of 82.46% and a specificity of 91.42% in identifying BI-RADS grading relevant to breast masses. CONCLUSIONS: We introduced a novel CNN-based framework that utilizes dual mammogram views for the BC classification. It utilizes LCAM, which further understands the local characteristics surrounding breast masses, aiming to enhance the accuracy and consistency of classification outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».