SIFT-DBT: Self-supervised Initialization and Fine-Tuning for Imbalanced Digital Breast Tomosynthesis Image Classification

数字乳腺摄影（DBT）是一种广泛使用的医学成像模式，用于乳腺癌筛查和诊断，通过其类似于3D的乳腺体积成像能力提供更高的空间分辨率和更多的细节。然而，增加的数据量也引入了明显的数据不平衡挑战，其中只有一小部分体积包含可疑组织。这进一步加剧了实际数据中的案例级别分布导致的数据不平衡，并导致学习一个只预测多数类的琐碎分类模型。为了解决这个问题，我们提出了一种新的方法，使用视图级对比自监督初始化和微调来识别异常的DBT图像，即SIFT-DBT。我们进一步引入了一种补丁级多实例学习方法来保留空间分辨率。所提出的方法在970个唯一研究的评估中实现了92.69％的体积级AUC。

本论文旨在解决数字乳腺摄影（DBT）图像分类中存在的数据不平衡问题，提出了一种新的方法SIFT-DBT。

该方法采用自监督初始化和微调的视角级对比度方法，并引入了基于补丁级别的多实例学习方法，以保留空间分辨率。

论文在970个独特的研究中，实现了92.69%的体积级AUC。实验结果表明，SIFT-DBT方法在处理DBT图像分类中的数据不平衡问题上具有很好的效果。

近期的相关研究包括：1.《Breast cancer diagnosis using deep learning in digital mammography: A systematic review and meta-analysis》；2.《Breast cancer detection using deep convolutional neural networks and support vector machines》等。