[论文解读] Artificial Neural Network Based Breast Cancer Screening: A Comprehensive Review

Subrato Bharati, Prajoy Podder+1 more|arXiv (Cornell University)|May 29, 2020

AI in cancer detection参考文献 80被引用 69

一句话总结

一篇关于通过乳腷取照进行乳腺癌筛查的基于人工神经网络（ANN）模型的系统综述，详细介绍了架构（SNN、DBN、CNN、MLNN、SAE、SDAE），并得出结论：ResNet-50 和 ResNet-101 CNN 在公开数据集上通常取得最佳性能。

ABSTRACT

Breast cancer is a common fatal disease for women. Early diagnosis and detection is necessary in order to improve the prognosis of breast cancer affected people. For predicting breast cancer, several automated systems are already developed using different medical imaging modalities. This paper provides a systematic review of the literature on artificial neural network (ANN) based models for the diagnosis of breast cancer via mammography. The advantages and limitations of different ANN models including spiking neural network (SNN), deep belief network (DBN), convolutional neural network (CNN), multilayer neural network (MLNN), stacked autoencoders (SAE), and stacked de-noising autoencoders (SDAE) are described in this review. The review also shows that the studies related to breast cancer detection applied different deep learning models to a number of publicly available datasets. For comparing the performance of the models, different metrics such as accuracy, precision, recall, etc. were used in the existing studies. It is found that the best performance was achieved by residual neural network (ResNet)-50 and ResNet-101 models of CNN algorithm.

研究动机与目标

• 调查并综合来自乳腷取照的基于 ANN 的乳腺癌诊断文献。
• 描述不同 ANN 模型的优点与局限。
• 总结文献中使用的数据集和评估指标。
• 确定在文献中报道性能最佳的领先架构。
• 讨论基于 ANN 的乳腺癌筛查的未来方向。

提出的方法

• 对用于乳腷取照进行乳腺癌筛查的 ANN 模型进行系统文献综述。
• 对模型（SNN、DBN、CNN、MLNN、SAE、SDAE）及其特征进行分类。
• 评述公开可用的数据集及常用评估指标（例如准确率、精确度、召回率）。
• 对不同研究的模型表现进行比较，突出趋势与空白。

实验结果

研究问题

• RQ1 在乳腷取照中已应用于乳腺癌筛查的 ANN 架构有哪些？
• RQ2 在公开数据集上使用标准指标，这些架构的表现如何？
• RQ3 在该应用中每种 ANN 模型的优点与局限性是什么？
• RQ4 在所评述的文献中，哪些模型类型成为表现最出色的，并在何种条件下？

主要发现

• 该综述描述了用于乳腷取照中乳腺癌检测的若干 ANN 模型，包括 SNN、DBN、CNN、MLNN、SAE 和 SDAE。
• 文献显示基于 CNN 的方法在各数据集上被广泛采用。
• 报道的最佳性能由残差 CNN 模型（ResNet-50 和 ResNet-101）实现。
• 研究使用各种公开数据集和评估指标，如准确率与精确率/召回率来评估模型。
• 该综述讨论了每种 ANN 模型的优点与局限，并强调数据可用性和泛化挑战。