LAM-CATNet：一种基于lambda（λ）机制的多尺度交叉注意力Swin Transformer网络，用于乳腺X光片分类

《Scientific Reports》：LAM-CATNet: lambda-aware multi-scale cross-attention swin transformer network for mammogram classification

　　

摘要

乳腺X光片初步识别的基本要求是对图像中的乳腺病变进行准确的分割和分类，尤其是在涉及小型或难以识别的病变时。本文提出了一种方法，该方法利用统计分析来改进乳腺病变的自动检测过程，通过一种名为LAM-CATNet（Lambda-Aware Multi-scale Cross-Attention Swin Transformer Network）的新模型实现这一目标。LAM-CATNet的设计旨在构建一个融合模型，该模型结合了统计强度建模和分布函数来处理乳腺X光片数据，并通过深度学习提取特征，从而生成分割后的图像并基于这些特征对病变进行分类。准确且一致地识别乳腺X光片中发现的乳腺癌病变至关重要，这有助于实现早期发现，尤其是对于小型或难以识别的癌症。本研究探讨了统计变异性，并通过LAM-CATNet（一种基于Lambda分布的Transformer融合混合分割网络）提升了乳腺病变自动分析的诊断性能。实验结果表明，LAM-CATNet的表现优于基线混合模型和传统模型，其分割任务的Dice系数分别为0.786（CBIS-DDSM）和0.869（MIAS）。在分类方面，该网络的准确率为94.7%，ROC曲线下面积为98.2%。注意力图可视化增强了模型的可解释性，因为模型将注意力集中在病变的相关区域。总体而言，LAM-CATNet通过整合基于Transformer的全局上下文建模、传统的U-Net局部特征提取以及Lambda统计原理，提升了乳腺病变的自动分割和分类能力。其高度的可解释性、一致的统计推理能力以及优异的性能表明，该模型作为计算机辅助诊断工具具有潜力，但还需在乳腺癌筛查的临床应用中进行进一步验证。