[论文解读] Mammography Dual View Mass Correspondence

Shaked Perek, Alon Hazan+2 more|arXiv (Cornell University)|Jul 2, 2018

AI in cancer detection参考文献 13被引用 3

一句话总结

本论文提出一种孪生深度学习网络，用于在双视角乳腺X线摄影（CC和MLO视图）中匹配肿块病灶，通过基于图像块的表征学习共享相似性度量。该方法通过减少假阳性显著提升了检测准确率——在完整检测流程中达到86.4%的AUROC，优于传统模板匹配方法，并在DDSM和院内数据集之间展现出强大的可迁移性。

ABSTRACT

Standard breast cancer screening involves the acquisition of two mammography X-ray projections for each breast. Typically, a comparison of both views supports the challenging task of tumor detection and localization. We introduce a deep learning, patch-based Siamese network for lesion matching in dual-view mammography. Our locally-fitted approach generates a joint patch pair representation and comparison with a shared configuration between the two views. We performed a comprehensive set of experiments with the network on standard datasets, among them the large Digital Database for Screening Mammography (DDSM). We analyzed the effect of transfer learning with the network between different types of datasets and compared the network-based matching to using Euclidean distance by template matching. Finally, we evaluated the contribution of the matching network in a full detection pipeline. Experimental results demonstrate the promise of improved detection accuracy using our approach.

研究动机与目标

• 为解决在CC和MLO乳腺X线摄影视图之间匹配肿块病灶的挑战，其中形变和组织重叠使检测复杂化。
• 通过利用学习到的相似性度量而非手工设计的特征，结合双视角信息以改进计算机辅助诊断（CAD）系统。
• 评估孪生网络是否能在识别不同视图间对应肿块图像块方面优于经典模板匹配方法。
• 将匹配网络集成到完整自动化检测流程中，并评估其对敏感性和特异性的影响。

提出的方法

• 在从CC和MLO视图中提取的配对图像块上训练孪生卷积神经网络，两个分支共享权重和网络结构，以学习联合表征。
• 网络使用对比损失函数，以优化正样本（匹配）和负样本（未匹配）图像块对之间的相似性。
• 通过共享特征网络提取图像块级特征，随后由比较层计算相似性得分。
• 训练过程中应用数据增强技术，包括水平翻转以及90°、180°、270°旋转，以提高鲁棒性。
• 评估了在不同数据集（DDSM、院内数据集、Notredam）上的迁移学习与微调，以评估领域自适应与泛化能力。
• 将匹配网络集成到完整检测流程中，通过选择性地包含或排除在第二视图中无对应匹配的检测结果，评估其对性能的影响。

实验结果

研究问题

• RQ1 孪生深度学习网络能否有效学习用于双视角乳腺X线摄影中肿块病灶匹配的相似性度量？
• RQ2 所提出的基于网络的匹配方法是否优于使用互相关计算的传统模板匹配方法？
• RQ3 迁移学习与微调如何影响匹配网络在不同乳腺X线摄影数据集上的性能表现？
• RQ4 在完整自动化病灶检测流程中，匹配网络对整体敏感性和特异性有何贡献？

主要发现

• 在DDSM数据集的完整检测流程中，孪生网络实现了0.864的AUROC，敏感性达99%，特异性为19%，显著减少了假阳性。
• 该网络优于模板匹配方法，在院内数据集和DDSM数据集上分别仅达到0.73和0.63的AUROC。
• 使用院内数据在DDSM上进行微调后，AUC达到0.971，略高于在院内数据上进行完整训练的结果（0.969），表明领域迁移效果良好。
• 引入Dropout后AUC性能提升，如ROC曲线所示，表明泛化能力增强。
• 该方法成功降低了假阳性检测结果的权重并将其移除（图5中以青色标示），从而提升了最终输出质量。
• 该方法与放射科医生的临床实践保持一致：先检测可疑发现，再通过跨视图对应关系进行验证。