示例 Med-DETR：迈向乳腺 X 光片图像及更多场景中的泛化和鲁棒性病灶检测-计算机科学-计算机辅助诊断-病变检测-医学图像.pdfVIP

示例Med-DETR：迈向乳腺X光片图像及更多场

景中的泛化和鲁棒性病灶检测

SheethalBhat,BogdanGeorgescu,Adarsh

BhandaryPanambur,MathiasZinnen,Tri-ThienNguyen,Awais

Mansoor,KarimKhalifaElbarbary,SimingBayer,Florin-Cristian

Ghesu,SasaGrbic,andAndreasMaier

Friedrich-AlexanderUniversity,Siemens-H

sheethal.bhat@fau.de

本

译

中摘要在医学图像中检测异常具有独特的挑战，由于特征表示的差异以及

解剖结构与异常之间错综复杂的关系。这一点在乳房X光检查中尤为明

1显，密集的乳腺组织可能会遮盖病变区域，从而增加放射学解释的难度。

v

1尽管利用了解剖和语义上下文，现有的检测方法仍然难以学习有效的类别

2特定特征，限制了它们在不同任务和成像模式中的应用范围。在这项工作

6中，我们介绍了示例医学DETR（ExemplarMed-DETR），这是一种新型

9

1的多模态对比检测器，能够实现基于特征的检测。它采用了通过交叉注意

7.力机制自动生成的直观类别特定示例特征，并使用迭代策略进行训练。我

0们在四个公共数据集中的三种不同成像模式下实现了最先进的性能。在越

5南密集乳腺X光片上，我们达到了0.7的mAP（区域平均精度）用于肿

2

:块检测以及0.55的钙化病变检测，带来了16个百分点的绝对提升。此外，

v

i一位放射科医生对来自一个分布外中国群体的100张乳房X光片进行了

x

r评估，显示出病灶检测性能翻倍。对于胸部X光和血管造影，我们达到了

a0.25的肿块mAP和0.37的狭窄病变检测mAP，分别提升了4个百分点

和7个百分点。这些结果凸显了我们的方法在推进医学影像中的稳健且通

用的检测系统的潜力。

Keywords:计算机辅助诊断·病变检测·钼靶摄影。

1介绍

随着先进深度学习算法的出现，计算机辅助诊断工具在过去十年中显著

改进了[1]。