用于基于多类的乳腺摄影诊断的任务空间深度课程学习
计算机视觉与模式识别
2021-10-22 v1
摘要
乳腺摄影被用作乳腺癌潜在患者的标准筛查程序。在过去的十年中，已表明深度学习技术在多项任务中取得了接近人类水平的性能，其在乳腺摄影中的应用是医学研究者最为关注的课题之一。在本工作中，我们提出一种端到端的任务空间课程学习（CL）策略，用于分类全视野数字乳腺摄影（FFDM）的三类，即恶性、阴性和假召回。具体而言，我们的方法将这一三分类视为 CL 意义上的“更难”任务，并创建一个将假召回与阴性和恶性的组合组进行分类的“更易”子任务。我们引入损失调度器，以在整个训练过程中动态加权两个任务损失的贡献。我们使用 1,709 张图像的 FFDM 数据集通过 5 折交叉验证进行实验。结果表明，与用于模型训练的基线策略相比，我们的课程学习策略能提升 FFDM 三类分类的性能。
引用
@article{arxiv.2110.11320,
title = {Deep Curriculum Learning in Task Space for Multi-Class Based Mammography Diagnosis},
author = {Jun Luo and Dooman Arefan and Margarita Zuley and Jules Sumkin and Shandong Wu},
journal= {arXiv preprint arXiv:2110.11320},
year = {2021}
}
备注
4-page abstract. Full paper to appear at SPIE Medical Imaging 2022