基于全卷积设计的全图乳腺癌诊断端到端训练
计算机视觉与模式识别
2019-10-08 v1
摘要
我们开发了一种基于乳腺 X 线摄影片的整图乳腺癌诊断端到端训练算法。它仅在训练第一阶段需要病灶标注。此后，仅使用图像级标签即可训练整图分类器。这极大降低了对病灶标注的依赖。我们的方法采用全卷积设计实现，简单却在性能上优于以往方法。在 DDSM 上，我们最佳的单一模型取得了每图 AUC 分数 0.88，三模型平均将分数提升至 0.91。在 INbreast 上，我们最佳的单一模型取得了每图 AUC 分数 0.96。以 DDSM 为基准，我们的模型优于当前最先进水平（SOTA）。我们还证明，在 DDSM 上训练的整图模型可轻松迁移至 INbreast，无需使用其病灶标注且仅用少量训练数据。代码可用：https://github.com/lishen/end2end-all-conv
引用
@article{arxiv.1711.05775,
title = {End-to-end Training for Whole Image Breast Cancer Diagnosis using An All Convolutional Design},
author = {Li Shen},
journal= {arXiv preprint arXiv:1711.05775},
year = {2019}
}
备注
Accepted poster at NIPS 2017 Workshop on Machine Learning for Health (https://ml4health.github.io/2017/)