LUMINA: Tolok Ukur Mamografi Multi-Vendor dengan Protokol Harmonisasi Energi

Dataset FFDM terkurasi dan kerangka harmonisasi agnostik-model untuk AI kanker payudara yang tangguh

Hongyi Pan; Gorkem Durak; Halil Ertugrul Aktas; Andrea M. Bejar; Baver Tutun; Emre Uysal; Ezgi Bulbul; Mehmet Fatih Dogan; Berrin Erok; Berna Akkus Yildirim; Sukru Mehmet Erturk; Ulas Bagci· 2026· DOI 10.48550/arXiv.2603.14644

Masalah inti

Dataset mamografi digital full-field (FFDM) yang tersedia untuk publik masih terbatas dalam ukuran, anotasi klinis, dan keragaman vendor, sehingga menghambat pengembangan model yang tangguh. Tolok ukur yang ada sering mengabaikan variasi tampilan yang relevan secara klinis yang timbul dari energi akuisisi dan gaya pencitraan khas vendor. LUMINA mengatasi kesenjangan ini dengan menyediakan dataset FFDM multi-vendor terkurasi yang secara eksplisit mengodekan energi akuisisi dan metadata vendor. Dataset ini berisi 1.824 citra dari 468 pasien (960 jinak, 864 ganas), dengan label terkonfirmasi patologi, penilaian BI-RADS, dan anotasi kepadatan payudara. Mencakup enam sistem akuisisi serta gaya pencitraan energi tinggi dan rendah, LUMINA memungkinkan analisis sistematis terhadap pergeseran domain yang diinduksi vendor dan energi. Penulis mengusulkan metode penyelarasan ruang piksel hanya-foreground, yang disebut ''harmonisasi energi'', untuk meredam variasi ini dengan memetakan citra ke referensi energi rendah sambil mempertahankan morfologi lesi. Digest ini merangkum dataset, metodologi, hasil tolok ukur, dan implikasinya bagi AI mamografi yang dapat diterapkan.

Inovasi

Penulis menilai beberapa model CNN dan transformer pada ketiga tugas tersebut. Model dua-tampilan secara konsisten mengungguli model satu-tampilan di semua tugas. Untuk diagnosis (jinak vs. ganas), EfficientNet-B0 mencapai AUC 93,54%. Untuk prediksi kepadatan, Swin-T mencapai macro-AUC terbaik 89,43%. Harmonisasi meningkatkan kinerja di seluruh arsitektur, yang menunjukkan efektivitasnya dalam mengurangi pergeseran domain. Selain itu, harmonisasi menghasilkan respons Grad-CAM yang lebih terlokalisasi, yang menunjukkan bahwa model berfokus pada wilayah yang relevan secara klinis setelah penyelarasan. Tabel di bawah ini merangkum hasil utama: | Model | Task | AUC (%) | |-------|------|---------| | EfficientNet-B0 | Diagnosis | 93.54 | | Swin-T | Density | 89.43 | Hasil ini menunjukkan kegunaan tolok ukur LUMINA dan protokol harmonisasi energi untuk mengembangkan AI mamografi yang tangguh.

Dataset mamografi digital full-field (FFDM) yang tersedia untuk publik masih terbatas dalam ukuran, anotasi klinis, dan keragaman vendor, sehingga menghambat pengembangan model yang tangguh. Tolok ukur yang ada sering mengabaikan variasi tampilan yang relevan secara klinis yang timbul dari energi akuisisi dan gaya pencitraan khas vendor. LUMINA mengatasi kesenjangan ini dengan menyediakan dataset FFDM multi-vendor terkurasi yang secara eksplisit mengodekan energi akuisisi dan metadata vendor. Dataset ini berisi 1.824 citra dari 468 pasien (960 jinak, 864 ganas), dengan label terkonfirmasi patologi, penilaian BI-RADS, dan anotasi kepadatan payudara. Mencakup enam sistem akuisisi serta gaya pencitraan energi tinggi dan rendah, LUMINA memungkinkan analisis sistematis terhadap pergeseran domain yang diinduksi vendor dan energi. Penulis mengusulkan metode penyelarasan ruang piksel hanya-foreground, yang disebut ''harmonisasi energi'', untuk meredam variasi ini dengan memetakan citra ke referensi energi rendah sambil mempertahankan morfologi lesi. Digest ini merangkum dataset, metodologi, hasil tolok ukur, dan implikasinya bagi AI mamografi yang dapat diterapkan.

Dataset LUMINA dikurasi untuk mencakup citra FFDM multi-vendor dengan anotasi klinis yang kaya. Setiap citra dikaitkan dengan label terkonfirmasi patologi, penilaian BI-RADS, dan anotasi kepadatan payudara. Dataset ini mencakup enam sistem akuisisi dan mencakup gaya pencitraan energi tinggi maupun rendah. Untuk mengatasi pergeseran domain yang diinduksi vendor dan energi, penulis memperkenalkan metode penyelarasan ruang piksel hanya-foreground yang disebut harmonisasi energi. Metode ini memetakan citra ke referensi energi rendah sambil mempertahankan morfologi lesi. Secara formal, misalkan I adalah mamogram masukan dan I_{ref} adalah referensi energi rendah. Transformasi harmonisasi H didefinisikan sebagai:

Mengapa penting

Dataset LUMINA dan protokol harmonisasi energi mengatasi tantangan kritis dalam AI mamografi: keragaman vendor yang terbatas dan variasi energi akuisisi. Dengan secara eksplisit mengodekan metadata vendor dan energi, LUMINA memungkinkan analisis sistematis terhadap pergeseran domain yang sering diabaikan. Metode harmonisasi energi bersifat agnostik-model dan mempertahankan morfologi lesi, sehingga cocok untuk diintegrasikan ke dalam pipeline yang ada. Hasil tolok ukur menunjukkan bahwa model dua-tampilan lebih unggul, dan harmonisasi secara konsisten meningkatkan kinerja. Respons Grad-CAM yang lebih terlokalisasi menunjukkan bahwa harmonisasi membantu model memperhatikan wilayah yang relevan, yang berpotensi meningkatkan kepercayaan klinis. Namun, ukuran dataset (1.824 citra) masih tergolong moderat dibandingkan beberapa dataset privat, dan validasi lebih lanjut pada kohort multi-vendor yang lebih besar masih diperlukan. Pekerjaan selanjutnya dapat memperluas harmonisasi ke modalitas lain dan mengeksplorasi dampaknya pada klasifikasi BI-RADS. Secara keseluruhan, LUMINA menyediakan tolok ukur yang beragam vendor dan kerangka harmonisasi untuk AI mamografi yang andal dan dapat diterapkan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…