[论文解读] Classifying Mammographic Breast Density by Residual Learning

Jingxu Xu, Cheng Li+4 more|arXiv (Cornell University)|Sep 21, 2018

Digital Radiography and Breast Imaging参考文献 1被引用 9

一句话总结

本研究提出了一种基于残差学习的深度卷积神经网络，用于将乳腺X线摄影图像中的乳腺密度全自动分类为BI-RADS类别。通过端到端训练和高容量特征提取，该方法在四分类任务中达到92.6%的准确率，在二分类任务中达到96.8%的准确率，显著优于现有最先进方法，且无需多视角图像融合或人工预处理。

ABSTRACT

Mammographic breast density, a parameter used to describe the proportion of breast tissue fibrosis, is widely adopted as an evaluation characteristic of the likelihood of breast cancer incidence. In this study, we present a radiomics approach based on residual learning for the classification of mammographic breast densities. Our method possesses several encouraging properties such as being almost fully automatic, possessing big model capacity and flexibility. It can obtain outstanding classification results without the necessity of result compensation using mammographs taken from different views. The proposed method was instantiated with the INbreast dataset and classification accuracies of 92.6% and 96.8% were obtained for the four BI-RADS (Breast Imaging and Reporting Data System) category task and the two BI-RADS category task,respectively. The superior performances achieved compared to the existing state-of-the-art methods along with its encouraging properties indicate that our method has a great potential to be applied as a computer-aided diagnosis tool.

研究动机与目标

• 开发一种基于深度学习的全自动、高精度方法，用于分类乳腺X线摄影图像中的乳腺密度。
• 克服传统放射组学方法依赖人工特征工程和分割的局限性。
• 通过利用残差网络的高模型容量，消除对多视角图像融合的需求。
• 为乳腺密度评估中的计算机辅助诊断创建一个灵活且可迁移的深度学习基线。
• 实现端到端训练，无需对乳腺X线图像进行预分割或大量预处理。

提出的方法

• 使用残差卷积神经网络（ResNet）从完整的乳腺X线图像中自动提取分层的、高层次的特征。
• 模型在原始乳腺X线图像上进行端到端训练，无需人工乳腺分割或手工特征工程。
• 残差学习框架通过缓解梯度消失问题，使深层网络的训练成为可能。
• 该方法直接处理全视野乳腺X线图像，保留了图像中所有区域的空间和强度信息。
• 在INbreast数据集上，通过标准的BI-RADS四分类和二分类任务评估模型性能。
• 支持微调以实现不同成像系统或数据集之间的领域自适应。

实验结果

研究问题

• RQ1 基于残差学习的深度学习模型是否能在乳腺密度分类准确率上优于传统放射组学方法和浅层CNN？
• RQ2 端到端的深度学习方法是否能消除乳腺密度分类中对人工图像预处理和多视角融合的需求？
• RQ3 通过微调，单一深度模型是否能在不同成像领域中实现泛化，从而减少从头开始重新训练的需求？
• RQ4 高模型容量在具有挑战性的BI-RADS类别（尤其是BI-RADS IV）上，能在多大程度上提升分类性能？
• RQ5 在相同基准数据集上，该方法与现有最先进方法相比，在准确率和鲁棒性方面表现如何？

主要发现

• 所提出的方法在INbreast数据集上的四类BI-RADS分类准确率达到92.6%，显著优于以往最先进方法。
• 在二类BI-RADS任务中，该方法达到96.8%的准确率，表明其在最具临床意义的区分（致密 vs. 非致密）中表现优异。
• 该模型在所有BI-RADS类别中均表现出高准确率，包括BI-RADS I类的96.0%和BI-RADS IV类的82.6%，表明其在具有挑战性的类别中也具有鲁棒性。
• 该方法优于标准的八层CNN（准确率为78.95%）和高通量提取的视觉表征，证实了残差学习的优势。
• 该方法在无需多视角图像融合的情况下实现高性能，表明高模型容量可替代视角补偿的需求。
• 该方法可通过微调轻松扩展，实现对新成像系统的快速适应，且所需数据和训练时间极少。