利用深度神经网络对乳腺摄影中的对称差异与时间变化进行分类
计算机视觉与模式识别
2017-08-02 v2
摘要
我们研究了将对称性与时间上下文信息添加到深度卷积神经网络（CNN）中，以检测乳腺摄影中的恶性软组织病变。我们采用一种简单的线性映射，将肿块候选位置映射至对侧或既往乳腺摄影图像，并在每个位置周围提取感兴趣区域（ROI）。随后我们探索了两种不同的架构：（1）融合模型，使用双数据流，在训练和测试时均将两个 ROI 输入网络；（2）分阶段方法，先在主图像上训练单个 ROI CNN，随后将其用作主 ROI 以及对称或既往 ROI 的特征提取器。最后，我们在一个'浅层'梯度提升树（GBT）分类器上对这些特征进行拼接训练，并用于分类联合表示。实验结果表明，第一种架构结合对称性信息后性能显著提升，而使用时间数据及另一种设置仅带来边际改善。我们认为这些结果具有前景，且当获得更多时间数据后性能可大幅提升。
引用
@article{arxiv.1703.07715,
title = {Classifying Symmetrical Differences and Temporal Change in Mammography Using Deep Neural Networks},
author = {Thijs Kooi and Nico Karssemeijer},
journal= {arXiv preprint arXiv:1703.07715},
year = {2017}
}