利用弱监督定位的可解释高分辨率乳腺癌筛查图像分类器
计算机视觉与模式识别
2020-02-19 v1 机器学习
图像与视频处理
机器学习
摘要
医学图像与自然图像相比具有显著更高的分辨率和更小的感兴趣区域。由于这些差异，在自然图像上表现良好的神经网络架构可能不适用于医学图像分析。在本工作中，我们扩展了全局感知多示例分类器——一个我们为应对医学图像这些独特性质而提出的框架。该模型首先在整个图像上使用一个低容量但内存高效的网络来识别信息量最大的区域，然后应用另一个高容量网络从所选区域收集细节，最后采用一个融合模块聚合全局与局部信息以做出最终预测。虽然现有方法在训练时通常需要病灶分割，但我们的模型仅使用图像级标签进行训练，并能生成指示可能恶性发现的像素级显著图。我们将该模型应用于筛查乳腺钼靶影像解读：预测良性和恶性病灶的存在与否。在由超过一百万张图像组成的 NYU 乳腺癌筛查数据集上，我们的模型在分类含恶性发现的乳房时达到了 0.93 的 AUC，优于 ResNet-34 和 Faster R-CNN。与 ResNet-34 相比，我们的模型推理速度快 4.1 倍，同时 GPU 内存占用减少 78.4%。此外，我们在一项阅片者研究中表明，我们的模型以 0.11 的幅度超越了放射科医生水平的 AUC。所提出的模型可在线获取：https://github.com/nyukat/GMIC。
引用
@article{arxiv.2002.07613,
title = {An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization},
author = {Yiqiu Shen and Nan Wu and Jason Phang and Jungkyu Park and Kangning Liu and Sudarshini Tyagi and Laura Heacock and S. Gene Kim and Linda Moy and Kyunghyun Cho and Krzysztof J. Geras},
journal= {arXiv preprint arXiv:2002.07613},
year = {2020}
}