Vision transformer for classifying benign and malignant breast tumors in mammography

Abstract

[en] The need for precise diagnostic tools to distinguish between benign and malignant breast cancers is underscored by the fact that breast cancer remains a major global health concern. This is the reason why the use of Vision Transformers (ViTs) to categorize breast cancers in mammography is studied. Using the OPTIMAM Medical Database, which includes mammography scans from the UK National Health Service Breast Screening Program, we assess how well ViTs perform on this particular assignment. The methodology includes proper preprocessing, augmentation, and splitting of data, including significant model training for fine-tuning hyperparameters concerning the prevention of data leakage. Insightful metrics such as AUC-ROC are used in evaluating correctly the model’s performance. The results make ViTs a state-of-the-art alternative to CNNs due to their capacity to capture global context through self-attention mechanisms. This is especially useful in complex tasks like medical imaging interpretation. The potential of cutting-edge AI methods to improve diagnostic precision and enhance patient outcomes during breast cancer diagnosis is highlighted by this study. [es] La necessitat d’eines de diagnòstic precises per distingir entre càncers de mama benignes i malignes destaca pel fet que el càncer de mama continua sent una preocupació important globalment. És per això que s’estudia l’ús de Vision Transformers (ViTs) per categoritzar els càncers de mama en mamografies. Utilitzant la base de dades mèdica d’OPTIMAM, que inclou mamografies del Programa de Detecció de Càncer de Mama del Servei Nacional de Salut del Regne Unit, avaluem que tan bé funcionen els ViTs en aquesta tasca específica. La metodologia inclou un adequat preprocessament, augment i divisió de les dades, incloent-hi un entrenament significatiu del model per ajustar els hiperparàmetres en relació amb la prevenció de la contaminació de dades. Mètriques significatives i intuïtives com l’AUC-ROC s’utilitzen per avaluar correctament el rendiment del model. Els resultats converteixen els ViTs en una alternativa de l’estat de l’art a les CNN a causa de la seva capacitat per capturar el context global a través de mecanismes d’autoatenció. Això és especialment útil en tasques complexes, com ara la interpretació d’imatges mèdiques. El potencial dels mètodes avançats d’IA per millorar la precisió diagnòstica i millorar els resultats dels pacients durant el diagnòstic de càncer de mama es destaca en aquest estudi.