[论文解读] Neural networks approach for mammography diagnosis using wavelets features

Essam A. Rashed, Mohamed M. Awad|arXiv (Cornell University)|Mar 6, 2020

AI in cancer detection参考文献 18被引用 4

一句话总结

本文提出了一种基于小波特征提取与人工神经网络的监督式乳腺X线诊断系统。多级小波分解将数字乳腺X线图像转换为特征向量，再由神经网络进行分类，以区分肿瘤类型和风险等级，在放射科医生标注的数据上取得了有前景的结果，尤其通过多级分解实现的增强特征表示，相较于单级方法表现更优。

ABSTRACT

A supervised diagnosis system for digital mammogram is developed. The diagnosis processes are done by transforming the data of the images into a feature vector using wavelets multilevel decomposition. This vector is used as the feature tailored toward separating different mammogram classes. The suggested model consists of artificial neural networks designed for classifying mammograms according to tumor type and risk level. Results are enhanced from our previous study by extracting feature vectors using multilevel decompositions instead of one level of decomposition. Radiologist-labeled images were used to evaluate the diagnosis system. Results are very promising and show possible guide for future work.

研究动机与目标

• 开发一种基于先进特征提取的数字乳腺X线图像监督式诊断系统。
• 通过用多级小波分解替代单级小波分解来提升特征提取的性能，从而改善分类表现。
• 利用人工神经网络对乳腺X线图像中的肿瘤类型和风险等级进行精确分类。
• 使用放射科医生标注的乳腺X线图像对系统进行验证，以确保临床相关性。
• 为未来基于小波与神经网络融合的自动化乳腺癌诊断研究提供基础。

提出的方法

• 对数字乳腺X线图像应用多级小波分解，以提取详细的空频域特征。
• 将所得的小波系数组合成表示每幅图像的特征向量。
• 将特征向量输入训练好的人工神经网络进行分类。
• 神经网络经过训练，可将乳腺X线图像分类为不同的肿瘤类型和风险等级。
• 系统使用放射科医生标注的数据进行监督学习和性能评估。
• 该方法通过使用多级分解而非单级分解，相较于先前工作，在特征表示上更为丰富。

实验结果

研究问题

• RQ1 与单级分解相比，多级小波分解是否能改善乳腺X线图像分类的特征表示？
• RQ2 使用小波提取的特征，神经网络在将乳腺X线图像分类为肿瘤类型和风险等级方面有多高效？
• RQ3 所提出的系统在使用放射科医生标注数据时，能在多大程度上实现高诊断准确率？
• RQ4 将小波变换与神经网络结合，在自动化乳腺X线诊断中具有多大潜力？
• RQ5 与使用更简单特征提取方法的先前方法相比，该系统的性能如何？

主要发现

• 与单级分解相比，多级小波分解显著增强了特征表示，从而提升了分类性能。
• 所提出的神经网络模型在区分乳腺X线图像中的肿瘤类型和风险等级方面表现出有前景的分类准确率。
• 结果表明，基于小波的特征能有效捕捉数字乳腺X线图像中的相关诊断模式。
• 该系统在临床环境中作为决策支持工具展现出强大潜力，尤其是在使用放射科医生验证的数据时。
• 本研究为未来基于混合小波-神经网络方法的自动化乳腺癌诊断研究提供了基础。
• 由于通过多级分解实现了改进的特征提取，该模型优于系统先前的版本。