Breast arterial calcifications (BACs) are part of several benign findings present on some mammograms. Previous studies have indicated that BAC may provide evidence of general atherosclerotic vascular disease, and potentially be a useful marker of cardiovascular disease (CVD). Currently, there is no technique in use for the automatic detection of BAC in mammograms. Since a majority of women over the age of 40 already undergo breast cancer screening with mammography, detecting BAC may offer a method to screen women for CVD in a way that is effective, efficient, and broad reaching, at no additional cost or radiation. In this paper, we present a deep learning approach for detecting BACs in mammograms. Inspired by the promising results achieved using the U-Net model in many biomedical segmentation problems and the DenseNet in semantic segmentation, we extend the U-Net model with dense connectivity to automatically detect BACs in mammograms. The presented model helps to facilitate the reuse of computation and improve the flow of gradients, leading to better accuracy and easier training of the model. We evaluate the performance using a set of full-field digital mammograms collected and prepared for this task from a publicly available dataset. Experimental results demonstrate that the presented model outperforms human experts as well as the other related deep learning models. This confirms the effectiveness of our model in the BACs detection task, which is a promising step in providing a cost-effective risk assessment tool for CVD.

中文翻译：

---

DU-Net：卷积网络，用于检测乳房X线照片中的动脉钙化。

乳房动脉钙化（BAC）是一些乳房X线照片上出现的一些良性发现的一部分。先前的研究表明，BAC可能提供一般性动脉粥样硬化性血管疾病的证据，并且可能是心血管疾病（CVD）的有用标记。当前，尚无用于自动检测乳房X线照片中BAC的技术。由于大多数40岁以上的女性已经接受了乳房X线摄影术进行的乳腺癌筛查，因此检测BAC可以以有效，有效且广泛的方式为女性筛查CVD的方法，而无需任何额外费用或放射线。在本文中，我们提出了一种用于检测乳房X线照片中BAC的深度学习方法。受到在许多生物医学细分问题中使用U-Net模型以及在语义细分中使用DenseNet所获得的令人鼓舞的结果的启发，我们扩展了具有紧密连接的U-Net模型，以自动检测乳房X线照片中的BAC。提出的模型有助于促进计算的重用并改善梯度流，从而导致更好的准确性和更容易的模型训练。我们使用一组可公开获取的数据集为该任务准备的全视野数字乳房X线照片，以评估其性能。实验结果表明，该模型优于人类专家以及其他相关的深度学习模型。这证实了我们的模型在BAC检测任务中的有效性，这是为CVD提供具有成本效益的风险评估工具的一个有希望的步骤。提出的模型有助于促进计算的重用并改善梯度流，从而导致更好的准确性和更容易的模型训练。我们使用一组可公开获取的数据集为该任务准备的全视野数字乳房X线照片，以评估其性能。实验结果表明，该模型优于人类专家以及其他相关的深度学习模型。这证实了我们的模型在BAC检测任务中的有效性，这是为CVD提供具有成本效益的风险评估工具的一个有希望的步骤。提出的模型有助于促进计算的重用并改善梯度流，从而导致更好的准确性和更容易的模型训练。我们使用一组可公开获取的数据集为该任务准备的全视野数字乳房X线照片，以评估其性能。实验结果表明，该模型优于人类专家以及其他相关的深度学习模型。这证实了我们的模型在BAC检测任务中的有效性，这是为CVD提供具有成本效益的风险评估工具的一个有希望的步骤。实验结果表明，该模型优于人类专家以及其他相关的深度学习模型。这证实了我们的模型在BAC检测任务中的有效性，这是为CVD提供具有成本效益的风险评估工具的一个有希望的步骤。实验结果表明，该模型优于人类专家以及其他相关的深度学习模型。这证实了我们的模型在BAC检测任务中的有效性，这是为CVD提供具有成本效益的风险评估工具的一个有希望的步骤。