利用深度神经网络在光学相干断层扫描图像中对人体乳腺组织进行术中边缘评估
机器学习
2017-04-03 v1
摘要
目的：在本工作中，我们利用深度神经网络（DNNs）对来自光学相干断层扫描（OCT）图像的人体乳腺组织进行边缘评估。本工作模拟了乳腺癌保乳手术的术中场景。方法：为了训练 DNNs，我们使用了最先进的方法（Weight Decay 和 DropOut）以及一种新引入的基于函数范数的正则化方法。当仅有小型数据库可用时，常用方法可能会失效。函数范数的使用引入了对函数复杂度的直接控制，旨在降低过拟合风险。结果：由于先前结果的代码和数据均未公开，为了进行保守比较，所得结果与文献中报告的结果进行了对比。此外，我们的方法应用于本地收集的数据上的几种数据配置。所报告的结果为不同试验的平均值。结论：实验结果表明，当以敏感度、特异度、F1 分数、G-mean 和 Matthews 相关系数进行评估时，DNNs 的使用产生了显著优于其他技术的结果。函数范数正则化产生了比竞争方法更高且更稳健的结果。意义：我们展示了一个在人体乳腺组织（部分）自动化边缘评估方面极具前景的系统，等错误率（EER）从约 12%（文献中报告的最低值）降至 5%——降幅达 58%。该方法在计算上适用于术中应用（每张图像不到 2 秒）。
引用
@article{arxiv.1703.10827,
title = {Intraoperative margin assessment of human breast tissue in optical coherence tomography images using deep neural networks},
author = {Amal Rannen Triki and Matthew B. Blaschko and Yoon Mo Jung and Seungri Song and Hyun Ju Han and Seung Il Kim and Chulmin Joo},
journal= {arXiv preprint arXiv:1703.10827},
year = {2017}
}
备注
16 pages, 9 figures