【深度学习】医疗图像识别论文阅读笔记（二）

原文发布在我的幕布里

论文阅读笔记：Deep Neural Networks Improve Radiologists’ Performance in Breast

Cancer Screening

• 深度学习方法应用于乳腺癌放射线X光图像辨别——分类

• 计算机视觉领域主要应用CNN方法，目前取得了很大成果

• 应用于Breast cancer screening

• 2 challenges

  • large amounts of data

    • ImageNet:1400万

    • Mammography：1万

  • Extremely high resolutions(超高分辨率)

    • ImageNet：256*256

    • mammogram：2000*2000

    • activation&gradients 难以适应于商业级GPU内存

    • downsamp 会损害图片细节，不适用

      • 下采样：对于一个样值序列间隔几个样值取样一次

• 数据集： NYU-BCSD（纽约大学乳腺癌筛选数据集）

  • 229426（23万）image

  • 141473 （14万）patients

  • Each exam for 4 images

  • biopsies 活检：标注位置

  • 标注出良性病变，恶性病变，健康

  • limitation：负（阴性）样本远多于病变（阳性）样本

• Image-only model

• Transfer learning BI-RADS

  • BI-RADS：主要辨别是否存在可疑肿瘤

  • 容量少，用浅层网络

• Patch-level cancer classification

  • 切分为块大小，与病变部分重合便添加标签

  • 采用DenseNet

  • 1000 epochs 500万采样图片

  • 缺点：没有利用原始的位置信息

• Patch-Classification Heatmaps

  • patch classification——sliding Windows——heatmaps

  • heatmaps+image——3channels

• result

• 6217 0000 1012 9138 825