利用迁移学习在全乳腺X线影像中分类腔面亚型
图像与视频处理
2023-01-24 v1 计算机视觉与模式识别
机器学习
摘要
在常规乳腺X线筛查中自动识别腔面与非腔面亚型患者，可协助临床医生精简乳腺癌治疗规划。近期机器学习技术在乳腺X线分子亚型分类中展现出前景；然而，它们高度依赖像素级标注、手工与放射组学特征。本工作中，我们针对仅用图像级标签训练的全乳腺X线影像中腔面亚型分类提供初步见解。从乳腺异常分类任务应用迁移学习，微调基于ResNet-18的腔面与非腔面亚型分类任务。我们在公开CMMD数据集上展示并比较结果，表明我们的方法显著优于基线分类器，在测试集上取得0.6688的平均AUC分数与0.6693的平均F1分数。相较基线的提升具统计显著性，p值p<0.0001。
引用
@article{arxiv.2301.09282,
title = {Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning},
author = {Adarsh Bhandary Panambur and Prathmesh Madhu and Andreas Maier},
journal= {arXiv preprint arXiv:2301.09282},
year = {2023}
}
备注
Submitted to IEEE ISBI 2023