ترجمه فارسی مقاله یک رژیم آموزشی برای یادگیری بازنمایی های یکپارچه از روش های تصویربرداری تکمیلی پستان

چکیده

Full Field Digital Mammograms (FFDMs) and Digital Breast Tomosynthesis (DBT) are the two most widely used imaging modalities for breast cancer screening. Although DBT has increased cancer detection compared to FFDM, its widespread adoption in clinical practice has been slowed by increased interpretation times and a perceived decrease in the conspicuity of specific lesion types. Specifically, the non-inferiority of DBT for microcalcifications remains under debate. Due to concerns about the decrease in visual acuity, combined DBT-FFDM acquisitions remain popular, leading to overall increased exam times and radiation dosage. Enabling DBT to provide diagnostic information present in both FFDM and DBT would reduce reliance on FFDM, resulting in a reduction in both quantities. We propose a machine learning methodology that learns high-level representations leveraging the complementary diagnostic signal from both DBT and FFDM. Experiments on a large-scale data set validate our claims and show that our representations enable more accurate breast lesion detection than any DBT- or FFDM-based model.

چکیده به فارسی (ترجمه ماشینی)

ماموگرافی دیجیتالی کامل (FFDMS) و توموسینتز دیجیتال پستان (DBT) دو روش تصویربرداری گسترده برای غربالگری سرطان پستان هستند.اگرچه DBT در مقایسه با FFDM ، تشخیص سرطان را افزایش داده است ، اما پذیرش گسترده آن در عمل بالینی با افزایش زمان تفسیر و کاهش درک شده در ترکیب انواع ضایعه خاص کاهش یافته است.به طور خاص ، عدم علاقه DBT برای ریزگردها همچنان مورد بحث است.با توجه به نگرانی در مورد کاهش حدت بینایی ، جمع آوری DBT-FFDM ترکیبی محبوب است و منجر به افزایش کلی زمان امتحان و دوز تابش می شود.فعال کردن DBT برای ارائه اطلاعات تشخیصی موجود در FFDM و DBT باعث کاهش اعتماد به FFDM می شود و در نتیجه باعث کاهش هر دو مقدار می شود.ما یک روش یادگیری ماشین را پیشنهاد می کنیم که بازنمایی های سطح بالا را با استفاده از سیگنال تشخیصی مکمل از DBT و FFDM یاد می گیرد.آزمایشات روی یک مجموعه داده در مقیاس بزرگ ادعاهای ما را تأیید می کند و نشان می دهد که بازنمایی ما تشخیص ضایعه پستان دقیق تر از هر مدل مبتنی بر DBT- یا FFDM را امکان پذیر می کند.