5.14.5 不同 CNN 对超声图像乳腺肿瘤分类的比较

VGG-16 和 Inception V3  两种模型

第一个是使用预训练模型作为特征提取器，第二个是微调预训练模型。

---

1. 介绍

乳腺癌是女性最常见的癌症，癌症筛查是通过乳房超声 (BUS) 成像和乳房 X 光检查进行的。

目前的问题是需要 依赖大型且带注释的BUS数据集进行CNN训练。缓解这个问题的一个可能的解决方案是利用迁移学习和微调。 

2. 乳腺超声图像分析中的深度学习

在[8]中，作者提出使用不同的 CNN 来定位与病变相对应的感兴趣区域 (ROI)。在[9]中，CNN被用作特征提取器，并且使用支持向量机（SVM）对获得的特征进行分类。[10]中提出了一种基于 AlexNet 的架构，并使用小型定制数据集将其性能与一些预训练模型进行了比较。[11]中，提出了一种基于使用生成对抗网络（GAN）进行数据增强的方法。

[13]中提出了对GoogLeNet架构的修改，该网络是Inception V3的早期版本，由一个主分支和两个辅助分类器组成，具体来说，他们建议从网络的主分支中删除辅助分类器。

[14]中，比较了不同的预训练模型，但仅使用微调。比较了 CNN ResNet50、InceptionV3 和 Xception。

3. 提出的方法

研究了两种不同的迁移学习技术：(i) 微调和 (ii) 使用预训练的 CNN 作为特征提取器。这些方法中的每一种都使用两种不同的 CNN 架构进行了测试。

3.1 CNN 架构

VGG-16 是一个 16 层 CNN 模型，具有由 13 个卷积层和 5 个最大池层组成的顺序架构[15]。该架构从具有 64 个内核的卷积层开始。每次池化操作后，这个数字都会加倍，直到达到 512。池化层放置在选定的卷积层之后，以减少激活映射的维度，从而减少后续卷积层的维度。这通常会减少 CNN 需要学习的参数数量。该模型中所有卷积层的卷积核大小均为3x3。该模型以三个全连接 (FC) 层结束，每个层有 64 个神经元，用于执行分类。

Inception V3 [16] 使用一种称为 inception 模块的架构块，它由不同大小（1x1、3x3 和 5x5）的卷积核组成，这些卷积核并联连接。使用不同的内核大小可以识别不同尺度的图像特征。此外，Inception V3 不仅使用一个分类器，而是使用两个分类器，第二个分类器是辅助分类器，用作正则化器。该模型的主要优势之一是，即使它有 42 层，它也由大约 2300 万个参数组成，因此训练该网络的计算成本也低于重新训练 VGG-16 所需的计算成本。

放置在 3x3 和 5x5 之前的 1x1 内核用于降低特征图的维数。 

3.2 迁移学习

执行迁移学习有不同的方法：微调和特征提取技术。

第一个是重新调整新训练数据的新分布的权重，即通过在新数据集上以较低的学习率训练几个epoch来调整CNN的权重。通常，仅重新训练最后一层的权重。VGG 16 和 Inception V3 都在 ImageNet1 上进行了预训练，该数据集包含属于 1000 个类别的超过 1400 万张图像。

第二个是指使用整个网络作为特征标识符，然后在另一个分类器中利用从网络获得的高级特征。

---

微调策略是通过替换由2个神经元（一个用于良性类，另一个用于恶性类）组成的最后一个全连接层来执行，然后对网络中不同数量的层进行微调。选择进行微调的层是每个网络的最后一层到最后 3 层。

在特征提取方法中，添加并训练了一个额外的分类器，该分类器由全局平均池化层（具有修正线性单元（ReLU）激活函数的全连接层）组成。最后，一个具有 softmax 激活函数和 2 个神经元的全连接层。

4. 结果

4.1 数据集

第一个数据集由 250 个乳腺肿瘤图像（100 个良性和 150 个恶性）组成，平均大小为 100x75 像素。第二个由平均图像大小为 500x500 像素的 963 个图像组成，在该数据集中，487 个图像对应于良性肿瘤图像，210 个对应于恶性肿瘤图像，266 个图像对应于任何肿瘤。

本工作中使用的数据集分别包含 537 个良性肿瘤和 360 个恶性肿瘤。整个数据集被随机打乱，然后以分层方式分为两个子集，其中 630 个图像用于训练和验证，269 个图像用于测试。

 

在网络训练过程中，应用了小批量梯度下降法和Adam优化算法。在创建训练批次时，图像被“动态”重塑以匹配每个网络输入的大小，对于 VGG-16 为 224x224 像素，对于 Inception V3 为 299x299 像素。

4.2 训练设置

训练以 0.001 的初始学习率进行。对于 Inception V3 和 VGG-16，添加的全连接 (FC) 层的输出大小分别为 1024 和 512。使用的小批量大小为 50 张图像。

4.3 性能指标

为了评估所提出的 CNN，计算了受试者工作特征 (ROC) 曲线下的面积 (AUC)。

准确度 (ACC) 计算如下：  其中 TP 和 TN 分别为正确分类的恶性 BUS 图像的数量，FN 和 FP 为错误分类的恶性 BUS 图像的数量。