论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening 重点：利用迁移学习三个网络常规化进行分类

论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening

摘要：我们探讨了迁移学习的重要性，并通过实验确定了在训练CNN模型时采用的最佳微调策略。我们成功地微调了一些最近的，最强大的cnn，并取得了更好的结果，与其他最先进的方法分类相同的公共数据集。例如，我们在DDSM数据库上实现了97.35%的准确率和0.98 AUC，在INbreast数据库上实现了95.50%的准确率和0.97 AUC，在BCDR数据库上实现了96.67%的准确率和0.96 AUC。此外，在对从全部乳房x线照片中提取的所有感兴趣区域(ROIs)进行预处理和归一化后，我们将所有的数据集合并成一个大的图像集，并用它来微调我们的cnn。以获得最佳结果的CNN模型为基线，准确率为98.94%，构建乳腺癌筛查框架。为了评价所提出的CAD系统及其分类新图像的效率，我们在一个独立数据库(MIAS)上进行了测试，得到了98.23%的准确率和0.99的AUC。

方法
2.2.1 预处理
（1）ROI提取
（2）Global contrast normalization (GCN)全局对比度归一化：我们使用每个数据集提供的地面真实值从图像中检测和裁剪感兴趣的区域。病灶的位置和边界由影像专家标记。利用所提供的坐标对病灶的边界框进行精确定位和裁剪。我们将输入大小ROIs固定为r x r个像素。然后，当病变接近边缘，裁剪后的感兴趣区域的宽度或高度小于r值时，我们对输出图像进行重新标定