利用弱监督定位实现高分辨率乳腺癌筛查图像可解释分类器

利用弱监督定位实现高分辨率乳腺癌筛查图像可解释分类器

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

项目简介

该项目提供了一个基于Globally-Aware Multiple Instance Classifier (GMIC) 模型的实现，如我们的论文中所描述。模型架构如下图所示。

GMIC的特点在于：

• 高准确性：对比ResNet-34和Faster R-CNN，GMIC表现更优。
• 高效能：与ResNet-34相比，GMIC拥有28.8% 少的参数，GPU内存使用量减少78.43%，推理速度快了4.1倍，训练速度则提升了5.6倍。
• 弱监督病变定位：仅依赖于指示有无良性或恶性病变的图像级标签进行训练，GMIC仍能生成像素级别的显著性地图（见下文）以增加模型的可解释性。

使用者可以利用预训练模型获取乳腺癌预测并可视化显著性地图。项目提供了5个预训练的GMIC-ResNet-18模型，全部采用PyTorch实现。

技术分析

GMIC模型通过弱监督学习方法，仅需图像级标签就能完成乳腺癌的分类任务，且在效率和准确性上都有出色表现。模型能够生成的显著性地图为诊断过程提供了直观的解释，帮助医生理解模型决策的依据。

应用场景

适用于医疗机构和研究机构，用于辅助乳腺癌筛查和提高病变检测的准确性和效率。对于医学影像研究人员，它是一个理想的工具，可以研究如何在有限的数据集和标注条件下构建高性能且可解释的深度学习模型。

项目特点

• 高精度预训练模型：提供5个不同模型供选择，包括一个集成模型，性能经过验证。
• 易用性：提供了完整的预处理流程和示例代码，便于用户快速上手。
• 计算资源友好：占用较少的GPU内存，运行速度快，适合各种计算环境。
• 弱监督学习：只需图像级标签即可进行训练，降低了数据标注的成本。
• 可视化功能：生成的显著性地图有助于解释预测结果，增强模型的可信度。

更新信息：项目已进行多次更新，包括添加预处理流程和示例笔记本等，确保用户体验和模型性能的持续优化。

使用说明

首先安装必要的Python库，然后运行run.sh脚本，系统会自动执行整个流程并将预测结果保存到CSV文件中。若想运行单个Python脚本，请将项目路径添加到PYTHONPATH。

开源许可

该项目遵循GNU AGPLv3许可证。

通过这个项目，我们希望能够推动乳腺癌筛查领域的技术创新，并为全球的研究者和开发者提供有力的工具来共同应对这一挑战。立即尝试并体验GMIC的强大功能吧！

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