从疑似目标中学习：提升乳腺 X 线摄影中乳腺癌检测性能的自举方法
计算机视觉与模式识别
2020-03-04 v1
摘要
深度学习目标检测算法已广泛应用于医学图像分析。目前所有目标检测任务均基于标注了目标类别及其边界框的数据。另一方面，诸如乳腺 X 线摄影之类的医学图像通常包含与病灶区域相似的正常区域或物体，若不加处理，在测试阶段可能被误分类。本文通过引入一种新颖的 top likelihood loss 及一种新的采样流程来筛选并训练疑似目标区域，同时提出一种相似度损失以进一步区分疑似目标与真实目标，从而解决该问题。采用依据预测目标的均值平均精度（mAP）以及依据患者分类的特异度、灵敏度、准确率、AUC 值进行性能比较。我们首先在一个私有致密乳腺 X 线摄影数据集上测试所提方法。结果表明，我们的方法大幅降低了假阳性率，且在检测肿块型癌症时特异度提升了 0.25。值得指出的是，致密乳腺通常具有更高的患乳腺癌风险，且在诊断中更难以检测癌症，而我们的方法优于所报道的放射科医生性能结果。我们的方法还在公开的 Digital Database for Screening Mammography（DDSM）数据集上得到验证，在肿块型癌症检测上带来显著改进，并优于最先进的现有工作。
引用
@article{arxiv.2003.01109,
title = {Learning from Suspected Target: Bootstrapping Performance for Breast Cancer Detection in Mammography},
author = {Li Xiao and Cheng Zhu and Junjun Liu and Chunlong Luo and Peifang Liu and Yi Zhao},
journal= {arXiv preprint arXiv:2003.01109},
year = {2020}
}