GMIC:高分辨率乳腺癌筛查图像的可解释分类器
项目介绍
GMIC(Globally-Aware Multiple Instance Classifier)是一个用于高分辨率乳腺癌筛查图像的可解释分类器。该项目基于论文《An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization》实现,旨在通过弱监督定位技术,提供高精度的乳腺癌检测和可解释的像素级显著性图。
项目技术分析
模型架构
GMIC模型的架构设计精巧,结合了全局感知和局部特征提取的优势。模型结构如下图所示:
技术亮点
- 高精度:GMIC在性能上超越了ResNet-34和Faster R-CNN,能够提供更准确的乳腺癌检测结果。
- 高效率:与ResNet-34相比,GMIC减少了28.8%的参数,GPU内存使用量减少了78.43%,推理速度提高了4.1倍,训练速度提高了5.6倍。
- 弱监督定位:尽管仅使用图像级别的标签进行训练,GMIC仍能生成像素级的显著性图,提供额外的可解释性。
技术实现
GMIC模型基于PyTorch框架实现,支持用户通过预训练模型进行乳腺癌预测和显著性图的可视化。项目提供了5个GMIC-ResNet-18模型的权重,用户可以根据需求选择合适的模型进行使用。
项目及技术应用场景
应用场景
GMIC模型的应用场景广泛,特别适用于以下领域:
- 乳腺癌筛查:在医疗影像分析中,GMIC能够高效、准确地检测乳腺癌,辅助医生进行诊断。
- 医学研究:研究人员可以利用GMIC生成的显著性图,深入分析乳腺癌的特征和病变区域。
- 医疗AI系统:GMIC可以集成到医疗AI系统中,提供实时的乳腺癌检测和可解释的诊断结果。
数据处理
项目提供了样本数据和预处理流程,用户可以通过以下步骤对数据进行处理:
- 裁剪图像:使用
src/cropping/crop_mammogram.py
脚本裁剪乳腺图像,去除背景,提高图像加载和分割算法的运行效率。 - 计算最佳中心点:使用
src/optimal_centers/get_optimal_centers.py
脚本计算每个图像的最佳中心点,用于后续的窗口增强。
项目特点
高精度与高效率
GMIC在保持高精度的同时,显著提升了模型的运行效率,适用于大规模的乳腺癌筛查任务。
弱监督定位
通过弱监督定位技术,GMIC能够在仅使用图像级别标签的情况下,生成高分辨率的显著性图,提供额外的可解释性。
易于使用
项目提供了详细的文档和示例代码,用户可以轻松上手,快速进行乳腺癌检测和显著性图的可视化。
开源与社区支持
GMIC项目采用GNU AGPLv3许可证,开源且社区友好,用户可以自由使用、修改和分享代码,共同推动医疗AI技术的发展。
结语
GMIC项目通过创新的技术和高效的实现,为高分辨率乳腺癌筛查图像的分类提供了强有力的工具。无论是医疗专业人员还是研究人员,都能从中受益,提升乳腺癌检测的准确性和可解释性。欢迎大家使用并贡献代码,共同推动医疗AI技术的进步!