＜论文阅读07＞ 用于乳房 X 线照片分类的具有多个视图的多示例网络

引入

  题目：A multi-instance networks with multiple views for classification of
mammograms （用于乳房 X 线照片分类的具有多个视图的多示例网络）
  摘要：乳腺癌是女性最常见的恶性肿瘤，早期筛查乳腺癌对于提高生存率至关重要。乳腺X线摄影具有实用性、有效性、成本低等特点，是目前最流行的乳腺癌筛查影像学方法之一。然而，乳房X线照片的分类存在图像尺寸大、病灶图像特征不清晰、异常比例小、类别不平衡等问题。为了解决这些困难，提出了多视图输入和加权多示例学习（MIL）方法。提出了一种新的模型，称为具有多视图输入的加权 MIL DenseNet (WMDNet)，它集成了上述两种方法。多视图输入方法用于增强乳房X线照片的异常性，并同时从具有不同视图的乳房X线照片中获得更多潜在特征。加权MIL旨在从乳房X线照片中提取最可疑的病变，以解决异常比例小和类别不平衡的问题。
  Bib：

@article{HU2021320,
title 		= {A multi-instance networks with multiple views for classification of mammograms},
journal 	= {Neurocomputing},
volume 		= {443},
pages	 	= {320-328},
year 		= {2021},
issn 		= {0925-2312}
}

方法描述

本文提出了多视图输入和加权 MIL 方法。在这项工作中，提出了乳房X线照片的伽马校正以解决病变特征模糊的问题。它增强了异常的图像特征，使异常特征与乳房组织更加清晰。

1. 更重要的是，提出了将乳房X线照片的特征与伽马校正相结合的多视图输入方法，以获得更关键的病灶特征。它有效地保留了原始乳房 X 线照片中的疾病特征，并从其他视图中提取了额外的潜在特征。
2. 此外，还提出了加权 MIL 方法来解决乳房 X 线照片数据中的小比例异常和不平衡问题。它从每张乳房 X 光照片中提取最具辨别力的补丁，并在这些大图像中精确发现异常图像特征。

创新点

1. 提出了基于加权 MIL 的多视图输入应用于乳房 X 线照片识别的思想，新模型称为 WMDNet。
2. 提出了多视图输入方法，以在原始和增强的乳房 X 线照片上从乳房 X 线照片中获得更多潜在特征。
3. 加权MIL旨在从乳房X线照片中提取最可疑的病变以获得更精确的结果。

关键技术

多视图输入…

权重MIL…

数据集

INbreast 和 MIAS 是我们实验中使用的两个常见的乳房 X 线摄影数据集。 INbreast 数据集包含 115 个案例，其中 90 个案例是每个案例 4 个图像，25 个案例是每个案例两个图像。 有 310 个负片（良性）和 100 个正片（恶性）图像，大小为 3328 X 4084 或 2560 X 3328 像素。MIAS 数据集共有 322 张乳房 X 线照片（161 对），其中包含 270 张负片和 52 张正片，大小为 1024 X 1024 像素。INbreat and MIAS