用于乳腺肿瘤良恶性分类的深度学习优化与可视化
计算机视觉与模式识别
2017-05-19 v1
摘要
乳腺癌是美国女性中发病率最高且死亡率第二高的疾病。本研究旨在利用深度学习对乳腺钼靶肿瘤进行良恶性分类，所用数据为数字乳腺筛查数据库（DDSM）的一个子集。尽管从深度学习的角度来看这是一个小数据集（约1000名患者），但我们表明，当前最先进的深度学习架构即使从零开始训练，也能找到稳健的信号。使用卷积神经网络（CNN），我们实现了 85% 的准确率和 0.91 的 ROC AUC，而领先的基于手工特征的方法仅能达到 71% 的准确率。我们研究了多种架构的组合，结果表明最佳结果是通过轻量级 GoogLeNet 集成实现的，该集成网络负责解读头尾位和内外斜位，仅需对两个视角的概率得分取平均即可做出最终预测。此外，我们创建了一种新方法来可视化神经网络在良恶性分类中检测到的特征，并将这些特征与已知的放射学特征（如毛刺）相关联。我们的算法显著改进了现有的乳腺钼靶病变分类方法，并识别出与既定临床标志物相关的特征。
引用
@article{arxiv.1705.06362,
title = {Optimizing and Visualizing Deep Learning for Benign/Malignant Classification in Breast Tumors},
author = {Darvin Yi and Rebecca Lynn Sawyer and David Cohn and Jared Dunnmon and Carson Lam and Xuerong Xiao and Daniel Rubin},
journal= {arXiv preprint arXiv:1705.06362},
year = {2017}
}