基于多视角深度卷积神经网络的高分辨率乳腺癌筛查
计算机视觉与模式识别
2018-06-29 v3 机器学习
机器学习
摘要
自然图像深度学习的进展引发了将类似技术应用于医学图像的热潮。大多数初期尝试侧重于将深度卷积神经网络的输入替换为医学图像，而未考虑这两类图像之间的根本差异。具体而言，医学图像检测需要精细细节，而自然图像中最重要的是粗粒度结构。这一差异使得为自然图像开发的现有网络架构不足以胜任，因为它们在大幅降采样的图像上工作以降低内存需求。这隐藏了做出准确预测所需的细节。此外，医学成像中的单次检查通常附带一组视角，必须融合这些视角才能得出正确结论。在我们的工作中，我们提出使用一种处理一组高分辨率医学图像的多视角深度卷积神经网络。我们使用886,000张图像在基于乳腺X线摄影的大规模乳腺癌筛查(BI-RADS预测)上对其进行了评估。我们重点研究了训练集规模和图像尺寸对预测精度的影响。我们的结果强调，性能随训练集规模增大而提升，且只有使用原始分辨率才能达到最佳性能。在针对测试集随机子集开展的阅片者研究中，我们确认了模型的有效性，当呈现相同数据时，其性能可与放射科医生小组相媲美。
引用
@article{arxiv.1703.07047,
title = {High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks},
author = {Krzysztof J. Geras and Stacey Wolfson and Yiqiu Shen and Nan Wu and S. Gene Kim and Eric Kim and Laura Heacock and Ujas Parikh and Linda Moy and Kyunghyun Cho},
journal= {arXiv preprint arXiv:1703.07047},
year = {2018}
}