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。
- 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。
- 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
- 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。
- 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。
- 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