[论文解读] Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures

Brennon Maistry, Absalom E. Ezugwu|arXiv (Cornell University)|May 31, 2023

AI in cancer detection被引用 5

一句话总结

本研究评估了最先进的深度学习架构，包括视觉变换器（ViT）和卷积神经网络（CNN），用于组织病理学图像中的乳腺癌检测。通过数据增强和预处理技术，ViT实现了95.15%的最高准确率，优于传统CNN，证明其在低资源环境下的计算机辅助诊断中具有潜力。

ABSTRACT

Breast cancer is a prevalent form of cancer among women, with over 1.5 million women being diagnosed each year. Unfortunately, the survival rates for breast cancer patients in certain third-world countries, like South Africa, are alarmingly low, with only 40% of diagnosed patients surviving beyond five years. The inadequate availability of resources, including qualified pathologists, delayed diagnoses, and ineffective therapy planning, contribute to this low survival rate. To address this pressing issue, medical specialists and researchers have turned to domain-specific AI approaches, specifically deep learning models, to develop end-to-end solutions that can be integrated into computer-aided diagnosis (CAD) systems. By improving the workflow of pathologists, these AI models have the potential to enhance the detection and diagnosis of breast cancer. This research focuses on evaluating the performance of various cutting-edge convolutional neural network (CNN) architectures in comparison to a relatively new model called the Vision Trans-former (ViT). The objective is to determine the superiority of these models in terms of their accuracy and effectiveness. The experimental results reveal that the ViT models outperform the other selected state-of-the-art CNN architectures, achieving an impressive accuracy rate of 95.15%. This study signifies a significant advancement in the field, as it explores the utilization of data augmentation and other relevant preprocessing techniques in conjunction with deep learning models for the detection and diagnosis of breast cancer using datasets of Breast Cancer Histopathological Image Classification.

研究动机与目标

• 为解决南非等低资源国家乳腺癌生存率低的问题，通过人工智能提高诊断准确率。
• 评估最先进的深度学习模型（包括视觉变换器（ViT）和CNN）在从组织病理学图像中检测乳腺癌方面的性能。
• 评估数据增强和预处理技术对医学图像分类中模型性能的影响。
• 确定ViT在准确率和有效性方面是否优于成熟的CNN架构，用于乳腺癌诊断。
• 为开发稳健的端到端人工智能解决方案做出贡献，以集成到临床工作流程中的计算机辅助诊断（CAD）系统中。

提出的方法

• 本研究采用对比评估方法，对多种最先进的深度学习架构进行比较，包括视觉变换器（ViT）和先进的CNN。
• 使用标准化的乳腺癌组织病理学图像数据集，应用了归一化和图像尺寸调整等预处理步骤。
• 实施了数据增强技术，以提高模型的泛化能力并减少过拟合。
• 采用交叉验证协议进行模型训练和验证，以确保性能估计的稳健性。
• 使用标准指标评估性能，以准确率为首要基准。
• 对视觉变换器（ViT）在数据集上进行了微调，利用其自注意力机制捕捉图像块之间的长距离依赖关系。

实验结果

研究问题

• RQ1 视觉变换器（ViT）在分类乳腺癌组织病理学图像时是否比最先进的CNN架构获得更高的准确率？
• RQ2 数据增强和预处理技术如何影响深度学习模型在乳腺癌检测中的性能？
• RQ3 ViT在低资源医疗影像环境中常见的有限医学影像数据集上是否比CNN具有更好的泛化能力？
• RQ4 基于注意力机制的模型（如ViT）与卷积模型在组织样本中检测乳腺癌方面的相对有效性如何？
• RQ5 端到端深度学习模型在多大程度上可以提高诊断准确率，并支持病理科医生的临床决策？

主要发现

• 视觉变换器（ViT）在所有评估模型中实现了最高的准确率95.15%，优于所有选定的CNN架构。
• 数据增强显著提升了模型的泛化能力，尤其在较小或类别不平衡的数据集上表现突出，这些数据集在医学影像中较为常见。
• ViT通过自注意力机制在捕捉组织病理学图像中的复杂空间模式方面表现出色。
• 本研究证实，ViT是组织病理学图像中乳腺癌检测的一种高效替代方案，优于传统CNN。
• 预处理与数据增强技术的结合显著提升了深度学习模型在本任务中的鲁棒性和可靠性。
• 结果表明，基于ViT的模型可有效部署于计算机辅助诊断（CAD）系统中，以支持病理科医生，尤其是在低资源环境中。