输入分辨率对乳腺X线摄影肿块检测的影响：受控多架构研究

基于深度学习的肿块检测器通常会对乳腺X线摄影图像进行下采样，以较低的计算成本换取图像细节的减少。然而，已发表的研究无法揭示这种权衡牺牲了多少准确率，因为这些研究在架构、预处理和评估协议方面也存在差异。在本研究中，我们在 VinDr-Mammo 数据集上开展了受控研究，单独考察输入分辨率的影响：在从 512 x 416 到 1600 x 1280 像素的六种输入分辨率下训练了 18 个检测器，共形成 108 种模型-分辨率组合。对完整乳腺X线摄影图像进行缩放，不进行裁剪或分块。对于每个模型，在不同分辨率下保持预处理、模型初始化、数据增强和评估流程不变。我们在官方测试集中的 219 张肿块阳性图像上，使用 mAP50 评估检测准确率，并分析了测试 mAP50 至少为 0.60 的 57 种组合。从最低分辨率到最高分辨率，中位数 mAP50 从 0.626 提升至 0.660，最佳 mAP50 从 0.670 提升至 0.709。最佳结果由采用 ConvNeXt-S 主干网络的 DINO 获得，是截至目前在 VinDr-Mammo 肿块阳性图像上报告的最高 mAP50。性能提升主要集中在小肿块上：对于病灶中最小的三分之一，中位数 mAP50 提升了 0.074（从 0.367 升至 0.441），而中等和大型肿块的提升分别为 0.007 和 0.032。训练时间中位数从 0.45 小时增加到 1.40 小时，推理时间中位数则从每张图像 23.6 毫秒增加到 113.7 毫秒。因此，提高输入分辨率主要有利于检测难度最大的​​小肿块，同时计算成本仍处于实际可接受范围内。