D-MASTER: Mask Annealed Transformer for Unsupervised Domain Adaptation in Breast Cancer Detection from Mammograms

本文关注乳腺癌检测问题中的无监督域自适应（Unsupervised Domain Adaptation, UDA）问题。最近的研究表明，遮蔽图像建模是UDA的一种强大的预处理任务。然而，当应用于跨领域的乳腺癌检测问题时，这些技术在处理乳腺异常（如肿块、不对称和微钙化）方面存在困难，部分原因是与自然图像相比，感兴趣区域（ROI）通常要小得多。这往往导致每张图像中的假阳性更多（FPI），以及伪标签中的显著噪声，这些伪标签通常用于引导这些技术。为了应对这些挑战，我们引入了一种基于Transformer的Domain-invariant Mask Annealed Student Teacher自编码器（D-MASTER）框架。D-MASTER自适应地遮蔽和重构多尺度特征图，增强模型捕捉可靠的目标域特征的能力。D-MASTER还包括自适应置信度细化，以过滤伪标签，确保只考虑高质量的检测结果。我们还提供了一个包含1000个乳腺X线照片的RSNA乳腺筛查数据集的边界框注释子集（称为RSNA-BSD1K），以支持进一步的BCDM研究。我们在从不同领域获取的多个BCDM数据集上评估了D-MASTER。实验结果表明，在公开可用的INBreast和DDSM数据集上，与最先进的UDA技术相比，在0.3 FPI下，灵敏度分别提高了9％和13％。我们还报告了在In-house和RSNA-BSD1K数据集上分别提高了11％和17％。源代码、预训练的D-MASTER模型以及RSNA-BSD1K数据集注释可在https://dmaster-iitd.github.io/webpage上获取。

解决问题：本论文旨在解决乳腺癌检测中的无监督域自适应问题，提高检测准确性。

关键思路：本文提出了一种基于Transformer的域不变蒙版退火学生教师自编码器（D-MASTER）框架，通过自适应掩蔽和重构多尺度特征图来增强模型捕捉目标域特征的能力，并包括自适应置信度细化来过滤伪标签。

亮点：本文提供了一个包含1000个乳腺X光的边界框注释子集（称为RSNA-BSD1K）以支持进一步的BCDM研究。实验结果表明，在多个BCDM数据集上，D-MASTER相比现有的UDA技术在0.3 FPI的灵敏度上分别提高了9％和13％（INBreast和DDSM数据集），11％和17％（In-house和RSNA-BSD1K数据集）。研究者提供了源代码、预训练的D-MASTER模型以及RSNA-BSD1K数据集注释。

相关研究：最近的相关研究包括“Unsupervised Domain Adaptation for Medical Imaging Segmentation with Self-Ensembling”和“Domain-Adversarial Training of Neural Networks for Computer-Aided Diagnosis of Breast Cancer in Mammography”。