AI领域重量级期刊TPMAI (IF 17.86) 收录深睿医疗在乳腺领域科研成果

近日，深睿医疗乳腺X线影像肿块自动检出方向最新科研成果被IEEE旗下模式识别和机器学习领域国际重量级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）收录，影响因子17.86，该论文是深睿研究院继在医学影像分析核心期刊《Medical Image Analysis》（IF 11.1）发表乳腺X线影像非钙化病灶的自动检出论文后的又一乳腺高分论文。

IEEE TPAMI是人工智能、模式识别、图像处理等研究领域的权威期刊，被中国计算机协会(CCF)推荐为人工智能领域A类期刊，在计算机科学、人工智能领域排名第一。

乳腺癌的在我国发病率高，位列女性恶性肿瘤第一位，并且呈年轻化趋势。亚洲女性乳腺致密性构造，肿块、结构扭曲等易受到腺体影响，以及乳腺X线检查CAD软件缺乏对亚洲女性的研究等因素成为乳腺X线检查影像诊断的难点。 

乳腺癌的早期诊断是关键，本次收录的论文题为“Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection”，依旧将研究方向定位在乳腺X线影像肿块的自动检出。研究人员通过观察发现，医生在检出肿块时，会对比左右两侧影像，同时考虑不同投照位的一致性。借鉴医生思路，在临床先验知识指导下，深睿算法团队提出了名为AGN（Anatomy-aware Graph convolutional Network）的深度学习模型，通过图卷积网络建模不同视角图像的位置和语义相关性。相比于国际上先进的物体检测和乳腺X线肿块检出方法，提升了检出效果。本研究在私有数据集和公开数据集DDSM的检出性能均提升超过5个百分点。

图1 乳腺X线影像示意图。图(a)-(c)代表当前被检查的视图（以右侧乳腺的CC位视图为例），其对侧视图（左侧乳腺的CC位视图），其同侧不同投照位视图（右侧乳腺的MLO位视图）。图(d)将红色框内的病灶进行局部放大以便观察。图(e)是乳腺X线影像的投照方式(CC位和MLO位)示意图。

深睿算法团队提出的AGN的深度学习模型，包括BGN（Bipartite Graph convolutional Network）和IGN（Inception Graph convolutional Network）两个模块。乳腺X线影像的轴斜位视图提供了空间互补的信息，有利于做出综合的诊断意见。然而，现有的绝大多数模型缺少轴斜位视图的推理能力，进而限制了模型的性能。本文提出的二部图卷积网络BGN，可以赋予检测模型轴斜位视图推理的能力，显著提升了肿块的检测效果。同时，肿块区域通常是左右不对称的，但是由于两侧的拍摄时的几何形变，并不能直接将双侧的图像或者特征进行对比。对此，本研究提出IGN，基于图卷积模型建模左右侧的对照关系。

图2 AGN的整体结构

深睿采用了领先的深度学习等医学影像处理技术，与国内多个医疗机构合作展开了一系列的乳腺癌方向科研，融合当前目标检测、实例分割、次序回归等领域最前沿的学术成果，并且自主创新了基于异常检测的超微小物体检测、多视角注意力融合机制、多视角推理等先进技术，显著提升了乳腺疾病相关检测和诊断算法性能；这些科研成果在乳腺癌诊疗方面实现了创新突破，成果的持续累积为深睿医疗乳腺产品升级迭代提供技术支持。

深睿医疗Dr.Wise乳腺X线AI医学辅助诊断系统

场景是AI的试金石。深睿医疗将以数据为基础，场景为目标，结合医生临床先验知识，引入先进的人工智能技术，聚焦临床实践，不断研发出适配各种相关疾病的先进算法，并全力促进科研成果快速向临床应用转化，打造临床需要的医疗AI产品，在医学人工智能领域不断探索和前行，深耕智慧医疗领域，深睿医生，让看病不再困难。

 本文论文引用信息 

1

Y. Liu, F. Zhang, C. Chen, S. Wang, Y. Wang and Y. Yu. Act Like a Radiologist:Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence.doi: 10.1109/TPAMI.2021.3085783.

 乳腺癌方向其他成果引用信息 

1期刊论文

（1）Liu Y, Zhou C, Zhang F, Zhang Q, Wang S, Zhou J, Sheng F, Wang X, Liu W, Wang Y, Yu Y, Lu G. Compare and contrast: Detecting mammographic soft-tissue lesions with C2-Net. Med Image Anal. 2021 Mar 4;71:101999. 

（2）Long R, Cao K, Cao M, Li XT, Gao F, Zhang FD, Yu YZ, Sun YS. Improving the Diagnostic Accuracy of Breast BI-RADS 4 Microcalcification-Only Lesions Using Contrast-Enhanced Mammography. Clin Breast Cancer. 2020 Nov 2. 

2技术会议

（1）Churan Wang, Xinwei Sun, Fandong Zhang, Yizhou Yu, Yizhou Wang. DAE-GCN: Identifying Disease-Related Features for Disease Prediction. MICCAI. 2021

（2）Yuhang Liu, Fandong Zhang, Qianyi Zhang, Siwen Wang, Yizhou Wang, Yizhou Yu. Cross-view Correspondence Reasoning based on Bipartite Graph Convolutional Network for Mammogram Mass Detection.CVPR.2020

（3）Churan Wang, Fandong Zhang, Yizhou Yu and Yizhou Wang. BR-GAN: Bilateral Residual Generating Adversarial Network for Mammogram Classification.MICCAI. 2020

（4）Fandong Zhang, Ling Luo, Xinwei Sun, Zhen Zhou , Xiuli Li , Yizhou Wang, Yizhou Yu.Cascaded Generative and Discriminative Learning for Microcalcification Detection in Breast Mammograms.CVPR.2019

（5）Yuhang Liu, Shu Zhang, Ling Luo, Qianyi Zhang, Fandong Zhang, Xiuli Li, Yizhou Wang, Yizhou Yu. From Unilateral to Bilateral Learning: Detecting Mammogram Mass with Contrasted Bilateral Network.MICCAI.2019.