用于上下文感知乳腺 MRI 恶性分类的多尺度课程式 CNN
图像与视频处理
2020-01-09 v2 计算机视觉与模式识别
机器学习
摘要
乳腺癌及其他癌种的恶性分类通常被视为目标检测问题：首先定位各个病灶，再对其恶性程度进行分类。然而，该方法的缺陷在于忽略了包含多个病灶的抽象特征以及虽未被标注为病灶但含有全局医学相关信息区域：特别是对于动态对比增强乳腺 MRI，背景实质强化和乳腺内位置等标准对诊断十分重要，而目标检测方法无法妥善捕捉。本工作中，我们提出一种 3D CNN 与多尺度课程学习策略，基于整乳 MRI 对恶性程度进行全局分类。因此，考虑的是整乳的全局上下文而非单个病灶。我们所提方法不依赖病灶分割，使得训练数据的标注比现有目标检测方法高效得多。在取得 0.89 的 AUROC 下，我们将本方法性能与 Mask R-CNN 和 Retina U-Net 以及一名放射科医师进行比较。我们的性能与那些（不同于本方法）依赖病灶像素级分割的方法相当。
引用
@article{arxiv.1906.06058,
title = {Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification},
author = {Christoph Haarburger and Michael Baumgartner and Daniel Truhn and Mirjam Broeckmann and Hannah Schneider and Simone Schrading and Christiane Kuhl and Dorit Merhof},
journal= {arXiv preprint arXiv:1906.06058},
year = {2020}
}
备注
Accepted to MICCAI 2019