面向乳腺X线摄影乳腺癌诊断的任务驱动自监督双通道网络
图像与视频处理
2021-08-31 v2 计算机视觉与模式识别
摘要
深度学习可促进基于乳腺X线摄影的乳腺癌计算机辅助诊断(CAD),但通常受限于小样本问题。自监督学习(SSL)已在训练样本有限的医学图像分析中展现出有效性。然而,由于 pretext 任务与微调机制的局限,网络模型在常规 SSL 框架中有时无法得到良好预训练。本工作提出一种任务驱动自监督双通道网络(TSBN)框架,以提升基于乳腺X线摄影的 CAD 分类模型性能。具体而言,设计了一种新的灰度图像映射(GSIM)作为 pretext 任务,将乳腺X线图像的类别标签信息嵌入图像复原任务中,以改善判别性特征表示。所提 TSBN 创新性地将不同网络架构(包括图像复原网络与分类网络)整合进统一的 SSL 框架。其联合训练双通道网络模型,并将知识从 pretext 任务网络协同迁移至下游任务网络,从而提高诊断准确率。所提 TSBN 在公开 INbreast 乳腺X线数据集上进行了评估。实验结果表明,在样本有限的情况下,其优于常规的 SSL 与多任务学习算法用于乳腺癌诊断。
引用
@article{arxiv.2101.06228,
title = {Task-driven Self-supervised Bi-channel Networks for Diagnosis of Breast Cancers with Mammography},
author = {Ronglin Gong and Jun Wang and Jun Shi},
journal= {arXiv preprint arXiv:2101.06228},
year = {2021}
}