GMIC：高分辨率乳腺癌筛查图像的可解释分类器

GMIC：高分辨率乳腺癌筛查图像的可解释分类器

GMIC An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization 项目地址: https://gitcode.com/gh_mirrors/gm/GMIC

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

1. 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。
2. 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。
3. 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：

1. 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。
2. 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。
3. 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：

1. 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。
2. 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！

GMIC An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization 项目地址: https://gitcode.com/gh_mirrors/gm/GMIC