SD-CNN：一种用于改进乳腺癌诊断的浅-深卷积神经网络
计算机视觉与模式识别
2018-10-29 v2
摘要
乳腺癌是全球女性癌症死亡的第二大原因。然而，若早期发现，它也是最具可治性的恶性肿瘤之一。使用数字乳腺摄影（DM）进行乳腺癌筛查已被广泛采用。但其对致密乳腺女性的敏感性有限。该领域一项新兴技术为对比增强数字乳腺摄影（CEDM），其包含类似于 DM 的低能量（LE）图像，以及利用肿瘤新生血管生成、类似于乳腺磁共振成像（MRI）的重组图像。CEDM 已显示出优于 DM 的诊断准确度。尽管前景良好，CEDM 尚未在各大医疗中心广泛普及。在本研究中，我们提出一种浅-深卷积神经网络（SD-CNN），其中浅层 CNN 用于从 LE 图像推导“虚拟”重组图像，深层 CNN 用于从 LE、重组或“虚拟”重组图像中提取新特征，供集成模型将病例分类为良性与癌症。为评估方法有效性，我们首先使用梅奥诊所收集的 49 例 CEDM 病例开发深层 CNN，以证明重组图像对改进乳腺癌诊断的贡献（仅用 LE 成像准确率为 0.86，而联合 LE 与重组成像准确率为 0.90）。随后我们使用相同 49 例 CEDM 病例开发浅层 CNN，学习从 LE 到重组图像的非线性映射。接着，我们使用中国浙江大学所属医院收集的 69 例 DM 病例生成“虚拟”重组图像。仅用 DM 准确率为 0.91，而 SD-CNN 将诊断准确率提升至 0.95。
引用
@article{arxiv.1803.00663,
title = {SD-CNN: a Shallow-Deep CNN for Improved Breast Cancer Diagnosis},
author = {Fei Gao and Teresa Wu and Jing Li and Bin Zheng and Lingxiang Ruan and Desheng Shang and Bhavika Patel},
journal= {arXiv preprint arXiv:1803.00663},
year = {2018}
}