[论文解读] Use of Transfer Learning and Wavelet Transform for Breast Cancer Detection

Ahmed Rasheed, Muhammad Shahzad Younis+2 more|arXiv (Cornell University)|Mar 5, 2021

AI in cancer detection参考文献 48被引用 8

一句话总结

本文提出了一种混合深度学习框架，将小波变换和图像分割作为预处理步骤，随后使用预训练的CNN（如ResNet50、VGG16）进行迁移学习，以在Mini-MIAS数据集上实现三类乳腺癌检测。该方法显著提升了分类性能，在良性和恶性类别上的AUC均超过0.96，ResNet50在正常病例上达到0.985的AUC。

ABSTRACT

Breast cancer is one of the most common cause of deaths among women. Mammography is a widely used imaging modality that can be used for cancer detection in its early stages. Deep learning is widely used for the detection of cancerous masses in the images obtained via mammography. The need to improve accuracy remains constant due to the sensitive nature of the datasets so we introduce segmentation and wavelet transform to enhance the important features in the image scans. Our proposed system aids the radiologist in the screening phase of cancer detection by using a combination of segmentation and wavelet transforms as pre-processing augmentation that leads to transfer learning in neural networks. The proposed system with these pre-processing techniques significantly increases the accuracy of detection on Mini-MIAS.

研究动机与目标

• 通过先进的预处理和深度学习技术，提升乳腺影像中乳腺癌检测的准确性。
• 通过利用预训练CNN的迁移学习，应对医学影像数据集有限的挑战。
• 通过实现区分良性、恶性和正常组织的三分类系统，超越传统的二分类方法。
• 研究小波变换和分割作为特征增强预处理技术对CNN性能的影响。
• 开发一种混合CAD系统，为放射科医生提供更高可靠性与可解释性的早期诊断支持。

提出的方法

• 使用基于区域的分割对乳腺X线图像进行预处理，以增强肿瘤边界并突出异常组织区域。
• 应用离散小波变换（DWT）将图像分解为子带，提取对肿瘤定位至关重要的频域特征。
• 将分割后的图像与小波变换后的图像结合原始数据，生成深度学习模型的增强输入。
• 利用预训练CNN架构（VGG16、GoogleNet、AlexNet、ResNet50）进行迁移学习，并在Mini-MIAS数据集上微调。
• 实施两阶段分类系统：第一阶段对异常情况进行七分类；第二阶段使用融合特征进行三分类（良性/恶性/正常）。
• 通过AUC-ROC曲线评估性能，并对比不同迁移学习模型及预处理组合的结果。

实验结果

研究问题

• RQ1 将小波变换和分割作为预处理方法，如何影响迁移学习模型在乳腺癌检测中的性能？
• RQ2 三分类框架（良性、恶性、正常）是否在乳腺X线影像分析中优于传统的二分类方法？
• RQ3 在结合小波变换和分割预处理时，哪种预训练CNN架构（如ResNet50、VGG16）能实现最高的诊断准确率？
• RQ4 在医学影像中常见的低数据环境下，小波变换和分割在多大程度上增强了CNN的特征提取能力？
• RQ5 通过小波变换和分割实现的数据增强，对所有三类诊断结果的AUC-ROC性能有何影响？

主要发现

• 所提出方法在使用ResNet50时，正常类别的AUC达到0.985，显著优于其他模型。
• ResNet50在使用预处理数据时表现出最高整体性能，良性类别AUC为0.966，恶性类别AUC为0.965。
• 所有迁移学习模型在使用小波变换和分割图像训练时，AUC均显著高于仅使用原始图像的情况。
• 小波变换与分割的结合使三类AUC平均提升超过30个百分点，相较于基线模型。
• 三分类系统在三类中的AUC分别为：良性0.97，恶性0.97，正常0.99，表明具有强大的诊断能力。
• 所有类别的ROC曲线均因使用预处理而显著改善，证实了模型判别能力的增强。