利用深度学习提升筛查乳腺 X 线摄影中的乳腺癌早期检测
计算机视觉与模式识别
2019-10-08 v5 人工智能
机器学习
摘要
深度学习作为一类机器学习技术，其快速发展激发了人们在医学影像问题中应用该技术的浓厚兴趣。在此，我们开发了一种深度学习算法，能够通过“端到端”训练方法在筛查乳腺 X 线摄影中准确检测乳腺癌；该方法能有效利用具有完整临床标注或仅包含整图癌症状态（标签）的训练数据集。在此方法中，病灶标注仅在初始训练阶段需要，后续阶段仅需图像级标签，从而消除对罕见可用的病灶标注的依赖。我们的全卷积网络方法在分类筛查乳腺 X 线摄影方面，相较于以往方法取得了优异性能。在来自数字筛查乳腺 X 线摄影数据库 (DDSM) 的数字化胶片乳腺 X 线摄影独立测试集上，最佳单模型实现了 0.88 的图像级 AUC，而四模型平均将 AUC 提升至 0.91（灵敏度：86.1%，特异度：80.1%）。在来自 INbreast 数据库的全视野数字乳腺 X 线摄影 (FFDM) 图像验证集上，最佳单模型实现了 0.95 的图像级 AUC，四模型平均将 AUC 提升至 0.98（灵敏度：86.7%，特异度：96.1%）。我们还证明，使用我们的端到端方法在 DDSM 数字化胶片乳腺 X 线摄影上训练的整图分类器，仅需利用部分 INbreast 数据进行微调即可迁移至 INbreast FFDM 图像，且无需进一步依赖病灶标注的可用性。这些发现表明，自动深度学习方法可以 readily 训练以在异构乳腺 X 线摄影平台上达到高精度，并在改进临床工具以减少假阳性和假阴性筛查乳腺 X 线摄影结果方面展现出巨大前景。
引用
@article{arxiv.1708.09427,
title = {Deep Learning to Improve Breast Cancer Early Detection on Screening Mammography},
author = {Li Shen and Laurie R. Margolies and Joseph H. Rothstein and Eugene Fluder and Russell B. McBride and Weiva Sieh},
journal= {arXiv preprint arXiv:1708.09427},
year = {2019}
}
备注
Major modification with an additional figure and new results