用于乳腺MRI癌症分析的深度角度嵌入与特征关联注意力
图像与视频处理
2019-06-10 v1 计算机视觉与模式识别
摘要
准确且自动化的乳腺MRI分析在乳腺癌的早期诊断和成功治疗规划中起着重要作用。由于异质性特征，肿瘤的准确诊断仍是一项具有挑战性的任务。在本文中，我们提出通过余弦间隔Sigmoid损失（Cosine Margin Sigmoid Loss, CMSL）结合深度学习（DL）来识别MRI中的乳腺肿瘤，并基于所学特征通过关联注意力图（COrrelation Attention Map, COAM）来定位可能的癌变病灶。CMSL将肿瘤特征嵌入超球面，并通过余弦约束施加决策间隔。以此方式，DL模型能够在角度空间中学习到更具可分性的类间特征和更紧凑的类内特征。此外，我们利用特征向量之间的关联性生成注意力图，仅借助图像级标签即可准确定位癌症候选区域。我们构建了涉及10,290个DCE-MRI扫描体积的最大乳腺癌数据集，用于开发和评估所提出的方法。由CMSL驱动的模型在测试集上达到了0.855的分类准确率和0.902的AUC，灵敏度与特异度分别为0.857和0.852，总体优于其他竞争性方法。此外，与其他最先进的弱监督定位方法相比，所提出的COAM实现了对癌症中心更准确的定位。
引用
@article{arxiv.1906.02999,
title = {Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis},
author = {Luyang Luo and Hao Chen and Xi Wang and Qi Dou and Huangjin Lin and Juan Zhou and Gongjie Li and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1906.02999},
year = {2019}
}
备注
Accepted by MICCAI 2019