[论文解读] Abnormality Detection in Mammography using Deep Convolutional Neural Networks

Pengcheng Xi, Chang Shu+1 more|arXiv (Cornell University)|Mar 5, 2018

AI in cancer detection参考文献 19被引用 23

一句话总结

本文提出一种基于迁移学习的深度学习方法，利用预训练的卷积神经网络（CNN）对裁剪图像块进行微调，以检测和定位乳腺X线摄影中的钙化灶和肿块。通过微调最先进的CNN模型（如VGGNet）并结合类激活映射（CAM）进行定位，该方法在未直接对全尺寸图像进行训练的情况下，实现了92.53%的分类准确率，并成功定位了全幅乳腺X线图像中的异常区域。

ABSTRACT

Breast cancer is the most common cancer in women worldwide. The most common screening technology is mammography. To reduce the cost and workload of radiologists, we propose a computer aided detection approach for classifying and localizing calcifications and masses in mammogram images. To improve on conventional approaches, we apply deep convolutional neural networks (CNN) for automatic feature learning and classifier building. In computer-aided mammography, deep CNN classifiers cannot be trained directly on full mammogram images because of the loss of image details from resizing at input layers. Instead, our classifiers are trained on labelled image patches and then adapted to work on full mammogram images for localizing the abnormalities. State-of-the-art deep convolutional neural networks are compared on their performance of classifying the abnormalities. Experimental results indicate that VGGNet receives the best overall accuracy at 92.53\% in classifications. For localizing abnormalities, ResNet is selected for computing class activation maps because it is ready to be deployed without structural change or further training. Our approach demonstrates that deep convolutional neural network classifiers have remarkable localization capabilities despite no supervision on the location of abnormalities is provided.

研究动机与目标

• 通过利用深度卷积神经网络进行自动特征学习，提升乳腺X线摄影中计算机辅助检测（CADe）的性能。
• 解决低对比度、噪声较多的乳腺X线图像中直接对全图进行训练会降低细节保留和性能的问题。
• 通过类激活映射（CAM）技术，利用在图像块上训练的CNN实现全幅乳腺X线图像中钙化灶和肿块的精确定位。
• 在有限数据集上比较最先进深度CNN架构（如VGGNet、ResNet、GoogLeNet）的性能，避免过拟合。
• 在CBIS-DDSM数据集上建立未来关于乳腺影像异常检测研究的基准性能。

提出的方法

• 使用迁移学习在标注的钙化灶和肿块图像块上微调预训练的深度CNN（AlexNet、VGGNet、GoogLeNet、ResNet）。
• 使用带动量的随机梯度下降进行模型训练，批量大小为16，初始初始学习率为1e-4，并在达到99.5%准确率或训练至200个周期时启用早停策略。
• 将训练好的图像块分类器直接应用于全幅乳腺X线图像，无需重新训练，利用类激活映射（CAM）实现异常区域的定位。
• 通过公式 CAM = Σ(w_i * f_i) 计算CAM，其中 w_i 为全连接层的权重，f_i 为最后一层卷积层的特征图。
• 选择ResNet进行定位，因其无需结构修改或额外训练即可与CAM兼容。
• 采用数据增强和五折交叉验证以提升泛化能力，并减少在有限数据集上的过拟合。

实验结果

研究问题

• RQ1 在裁剪图像块上训练的深度卷积神经网络能否在乳腺X线图像中对钙化灶和肿块实现高分类准确率？
• RQ2 在有限数据集上微调时，哪种最先进CNN架构在分类钙化灶和肿块方面表现最佳？
• RQ3 能否在未直接对全尺寸图像进行训练的情况下，有效将基于图像块训练的CNN用于全幅乳腺X线图像中异常区域的定位？
• RQ4 类激活映射在多大程度上能够实现乳腺X线图像中异常区域的准确且可解释的定位？
• RQ5 在像CBIS-DDSM这样小规模的医学影像数据集上，迁移学习结合数据增强在多大程度上提升了性能？

主要发现

• VGGNet实现了最高的总体分类准确率92.53%，优于AlexNet（91.23%）、GoogLeNet（91.10%）和ResNet（91.80%）。
• 在肿块分类方面，GoogLeNet表现最佳，准确率达到95.06%；而VGGNet在肿块检测中的准确率为92.64%。
• 选择ResNet用于定位，因其无需结构修改或额外训练即可与类激活映射兼容。
• 类激活图成功定位了全幅乳腺X线图像中的钙化灶和肿块，可视化结果与真实标注的二值掩码高度一致。
• 该方法表明，仅通过图像块级别的监督，深度CNN即可在不依赖分割或全图训练的情况下，实现全图中异常区域的定位。
• 本研究首次在CBIS-DDSM数据集上报告了基于深度学习的钙化灶和肿块检测的基线性能。