マンモグラフィROIの良性・悪性分類のためのハイブリッドアーキテクチャ

Abstract

マンモグラフィにおける疑わしい乳房病変の正確な特性評価は、早期診断および治療計画のために重要である。畳み込みニューラルネットワーク（CNNs）は局所的な視覚パターンの抽出に有効だが、長距離の依存関係をモデリングする点では適していない。Vision Transformers（ViTs）は自己注意によりこの制限を解決するが、その二次的な計算コストが負担となり得る。本論文では、局所特徴抽出にEfficientNetV2-Mを用い、効率的な大域的文脈モデリングに状態空間モデル（SSM）であるVision Mambaを組み合わせたハイブリッド・アーキテクチャを提案する。提案モデルは、CBIS-DDSMデータセットから異常が中心となるマンモグラフィの関心領域（ROIs）を、良性クラスと悪性クラスに二値分類する。強力なCNNバックボーンと、線形複雑度の系列モデルを組み合わせることで、この手法はROIベースの設定において病変レベルでの高い分類性能を達成する。