本文探讨了深度多实例网络（MIL）在乳腺全视图分类中的挑战，包括多阶段训练的效率问题、大量人工标注需求及手工特征依赖。通过将图像划分为多个区域（instance），仅关注最可能的恶性肿块区域进行分类。使用逻辑回归对特征映射进行评估，得出每个位置的恶性概率，并在推断阶段设定阈值判断图像是否为恶性。文章提出了优化损失函数以提高分类准确性。
标题：Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram Classification
来源：MICCAI 2017
作者：Wentao Zhu, Qi Lou, Yeeleng Scott Vang, and Xiaohui Xie
解决的问题：肿块分类
现有方法 : 多阶段集成。将mass classification分成3个模块：detection, segmentation, classification。
来源：MICCAI 2017
作者：Wentao Zhu, Qi Lou, Yeeleng Scott Vang, and Xiaohui Xie
解决的问题：肿块分类
现有方法 : 多阶段集成。将mass classification分成3个模块：detection, segmentation, classification。
存在的问题：
① 除了每个模块自身的性能问题，这个框架需要单独训练每个模块。多阶段不能完全挖掘出深度神经网络的力量。
② 需要很多ground truth信息 : bbox for detection, segmentation map, mass label。标定这些GT信息，很耗人力。
③ 需要手工特征。
本文方法： end-to-end + multi-instance learning（MIL） 输入：乳腺图像，图像的标签（正常图像 Vs 恶性肿块图像）
输出：对于新的乳腺图像，判断它的标签
（ps. 此处正常图像包括：不含肿块图像&良性肿块图像）
本文方法具体介绍
MIL：假设一个bag上有多个instance。一个instance被分类为positive，bag就被认为是positive；所有instance都被分类为negative，bag才被认为是negative。对应到乳腺图像分析上，将一个image分成多个patch。一个patch被分类为恶性肿块区域，image就被认为是恶性肿块图像；所有patch都被分类为正常乳腺组织，image就被认为是正常图像。于是，本文只考虑image上是恶性肿块概率最大的那个patch，它的良恶性就
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
