Ourstoryhasjustbegun...
OriginalaspirationThereisonlyonekindofheroismintheworld,whichistostilllovelifeafterseeingthetruthoflife.
我一直沉醉于世界的优美之中，我所热爱的科学，也不断增加它崭新的远景。我认定，科学本身就具有一种伟大的美。一位从事研究工作的科学家，不仅是一个技术人员，他还是一个小孩子，在大自然的景色中，好像迷醉于神话故事一般。这种魅力，就是使我终身能够在实验室里埋头工作的主要因素。——居里夫人Background
乳腺癌有一个已知的无症状阶段，可以用乳房x线照相术检测到，因此，乳房x线照相术是筛查的主要成像方式。常用的方法有双阅读和CADx辅助系统，前者对医生而言工作量极大，后者可以作为第二意见标准。本文开发了一种新的基于深度学习的框架，来自动解决乳腺摄影中乳腺肿块病变的分类问题。
图1.数据集中呈现的病变样本
(恶性病变的a)斜视图和b)颅尾侧视图；良性病变的c)斜视图和d)颅尾侧视图)
Dataset
8位分辨率的BCDR-F03是作为BCDR-FM(基于胶片乳房x光照相术的存储库)的一个子集建立的，它由名患者组成，张胶片图像包含个良性肿块病变和个恶性肿块病变，包括临床数据和基于图像的描述符。
Experiments
对每个患者进行分层抽样后，数据集被分为训练集(50%)验证集(10%)和测试集(40%)在预处理阶段，研究了HOG的5×5和3×3区块大小以及HGD的4和8个区域。评估了8个和16个面元的直方图。列车验证设置中的最佳配置用于报告测试结果。通过随机超参数初始化训练25个模型进行CNN参数探索，根据验证性能选择最佳的模型。在训练SVM模型之前，执行零均值单位方差归一化过程。训练和验证集用于微调SVM分类器的C参数。方法的比较基于5次运行的平均AUC，每次运行使用不同的随机种子进行数据集分割。Methods
第一阶段的预处理旨在通过一组转换在更好的条件下准备数据，以便下一阶段利用相关特征。第二阶段是监督学习，涉及特征学习和分类训练两个过程。预处理包括提取感兴趣区域、过采样、标准化：统一裁剪为r×r大小的像素；对于每个训练图像，使用翻转和90度、度和度旋转变换的组合人工生成7个新的标签保留样本；减去图像中每个像素的亮度平均值实现全局对比度归一化；最后实现局部对比度归一化。
图2.预处理步骤后的乳腺摄影图像。图像A和B分别代表恶性和良性病变。图像a1和b1是病变的边界框。图像a2和b2显示了全局和局部对比度归一化的输出。图像a3和b3显示了标准化图像上的损伤轮廓。
监督学习的网络：图3.卷积网络结构(单层卷积+全连接：CNN2；双层卷积+全连接：CNN3)
在CNN训练期间，利用先前在乳房成像中识别的病变所代表的专家知识，以监督的方式学习特征，由专业放射科医生在两种乳房x线照相视图(中外侧斜视图和颅尾部视图)中手动分割。优化器为带动量的随机梯度下降；为减小参数采取dropout、max-normregularization。Conclusions
CNN模型只使用原始像素，优于最先进的图像特征，在AUC方面将性能从0.提高到0.。模型也优于一组手工制作的特征，如HCfeats。
AUC（AreaUnderCurve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。——来自百度百科
图4最佳运行测试集中评估表示的ROC曲线
一方面，CNN模型在乳腺摄影图像分析中的自动病变分类方面优于最先进的表示。
图5.每种表示方法的AUC的盒图另一方面，自动乳房x线摄影图像分析是一个有其自身特殊性的问题，因此使用大型CNN模型学习表示是不够的。学习过程还应由具有广泛视觉可变性的训练集指导，以显示肿块病变中呈现的模型纹理和形状特征。如两种表现的结合（监督学习和手工制作HCfeats），使得肿块病变分类的最佳描述符获得0.的AUC评分。
在HCfeats中，提取17个手工特征（代表乳房x线照片的形状、纹理和强度）用于比较。比如影像由强度描述符组成，强度描述符直接从放射学家识别的病灶轮廓内的像素灰度级计算得到；从与病变轮廓的边界框相关的灰度共生矩阵计算的纹理描述符；和根据病变轮廓计算的形状描述符。计算这组特征不仅需要感兴趣区域检测，还需要专家提供的手动分割。
表1.测试集中以AUC表示的结果摘要。最佳结果以粗体显示，而(*)表示分数与最高分数(ρ0.1)没有差异。
Reference
Arevalo,John,etal."Representationlearningformammographymasslesionclassificationwithconvolutionalneuralnetworks."Computermethodsandprogramsinbiomedicine():-.（欢迎指正、交流，vx:lxzh）点击下方“阅读原文”获取论文链接预览时标签不可点收录于话题#个上一篇下一篇转载请注明：http://www.chinaweilisi.com/rxyzz/8251.html
