[论文解读] Mammograms Classification: A Review

Marawan Elbatel|arXiv (Cornell University)|Mar 4, 2022

AI in cancer detection被引用 4

一句话总结

本综述评估了用于分类乳腺X线摄影中恶性与良性乳腺肿块的深度学习与经典机器学习方法，比较了人工分割与自动分割的感兴趣区域（ROI）。研究指出，深度学习模型，特别是集成模型和弱监督网络，在准确率（AUC +0.11）方面已超越放射科医生，且优于传统方法。

ABSTRACT

An advanced reliable low-cost form of screening method, Digital mammography has been used as an effective imaging method for breast cancer detection. With an increased focus on technologies to aid healthcare, Mammogram images have been utilized in developing computer-aided diagnosis systems that will potentially help in clinical diagnosis. Researchers have proved that artificial intelligence with its emerging technologies can be used in the early detection of the disease and improve radiologists' performance in assessing breast cancer. In this paper, we review the methods developed for mammogram mass classification in two categories. The first one is classifying manually provided cropped region of interests (ROI) as either malignant or benign, and the second one is the classification of automatically segmented ROIs as either malignant or benign. We also provide an overview of datasets and evaluation metrics used in the classification task. Finally, we compare and discuss the deep learning approach to classical image processing and learning approach in this domain.

研究动机与目标

• 分析并比较经典图像处理与深度学习技术在乳腺X线摄影肿块分类中的应用。
• 评估计算机辅助诊断（CAD）系统在使用人工提供和自动分割的ROI时，对良性与恶性肿块分类的性能表现。
• 评估数据集选择、评估指标和模型鲁棒性在乳腺X线摄影分类研究中的影响。
• 探讨基于深度学习的CAD系统在可解释性、泛化能力及计算成本方面面临的关键挑战。
• 探索未来方向，如联邦学习在保护隐私、实现通用化模型训练中的应用。

提出的方法

• 本综述将乳腺X线摄影分类分为两类：(1) 对人工分割的ROI进行分类；(2) 对全幅乳腺X线图像中自动分割的ROI进行分类与识别。
• 经典机器学习方法包括特征提取（如纹理、形状、强度）后接支持向量机（SVM）或随机森林等分类器。
• 评估了如DenseNet-121、ResNet-22及集成架构（如DMV-CNN）等深度学习模型在检测恶性与良性肿块方面的性能表现。
• 弱监督学习应用于GMIC等模型中，通过图像级别标签（无需像素级标注）从全局与局部网络生成显著性图。
• 将局部图像块分类器生成的热力图融合至输入通道，以提升定位与分类准确率。
• 采用门控注意力机制融合全局与局部特征表示，以实现最终预测。

实验结果

研究问题

• RQ1 深度学习模型与经典机器学习方法在乳腺X线摄影肿块分类中的表现如何比较？
• RQ2 在肿块分类中，人工分割的ROI与完全自动化的ROI分割方法之间性能差异为何？
• RQ3 无需像素级标注，弱监督深度学习模型能否实现放射科医生水平的性能表现？
• RQ4 在临床环境中部署深度学习模型时，特别是在可解释性与泛化能力方面，面临哪些关键挑战？
• RQ5 联邦学习如何提升在多样化影像设备与人群间模型的鲁棒性？

主要发现

• 深度学习模型，特别是集成模型与弱监督架构，在AUC方面已超越放射科医生，其中某一模型的AUC较人类表现高出0.11。
• DMV-CNN模型通过融合来自不同乳腺X线投影视图（CC与MLO）的表征，提升分类性能，方法为对各视图的预测结果取平均。
• 将来自局部图像块分类器的热力图融入深度神经网络的输入，可增强定位能力并提高分类准确率。
• GMIC模型仅使用图像级别标签即实现高性能，其通过贪婪聚合函数将显著性图的梯度反向传播至网络。
• 尽管性能优异，深度学习模型仍存在可解释性差、计算成本高，以及在不同影像设备与人群间泛化能力有限的问题。
• 联邦学习正成为一种有前景的方法，可用于在去中心化、异构的临床数据集上训练鲁棒且保护隐私的模型。