[论文解读] Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning

Rushabh Patel|arXiv (Cornell University)|Jan 1, 2021

AI in cancer detection参考文献 9被引用 4

一句话总结

本文提出了一种新颖的深度学习方法，用于通过自定义卷积神经网络（CNN）与强化样本学习（RSL）策略相结合，实现浸润性导管癌的自动化检测。该方法能够从大尺寸乳腺X线图像中实现完全自动化的特征提取与分类，减少训练时间，并在DDS M数据集上于150个周期内实现11.4%的误差，表现出相较于传统训练方法更快的收敛速度和更优的泛化能力。

ABSTRACT

Invasive ductal carcinoma is a prevalent, potentially deadly disease associated with a high rate of morbidity and mortality. Its malignancy is the second leading cause of death from cancer in women. The mammogram is an extremely useful resource for mass detection and invasive ductal carcinoma diagnosis. We are proposing a method for Invasive ductal carcinoma that will use convolutional neural networks (CNN) on mammograms to assist radiologists in diagnosing the disease. Due to the varying image clarity and structure of certain mammograms, it is difficult to observe major cancer characteristics such as microcalcification and mass, and it is often difficult to interpret and diagnose these attributes. The aim of this study is to establish a novel method for fully automated feature extraction and classification in invasive ductal carcinoma computer-aided diagnosis (CAD) systems. This article presents a tumor classification algorithm that makes novel use of convolutional neural networks on breast mammogram images to increase feature extraction and training speed. The algorithm makes two contributions.

研究动机与目标

• 开发一种完全自动化的基于CNN的系统，用于浸润性导管癌诊断中的特征提取与分类。
• 减少CNN在医学图像分类中的训练时间与迭代周期数。
• 提升模型泛化能力并降低乳腺X线图像分类中的验证误差。
• 消除在感兴趣区域识别、肿瘤检测与特征提取过程中的人工干预。
• 在数字乳腺摄影筛查数据库（DDSM）上使用真实临床数据验证所提出方法。

提出的方法

• 设计了一种自定义CNN架构，可自动从大尺寸乳腺X线图像中提取特征，无需人工选择感兴趣区域。
• 引入强化样本学习（RSL）策略，在训练过程中动态调整样本权重，优先处理困难或信息量大的样本。
• 模型在DDS M数据库中的1,000例良性与1,000例恶性病例上进行训练，其中450例用于验证。
• RSL方法通过减少所需周期数来优化训练过程，同时保持较低的分类误差。
• 网络采用Leaky ReLU激活函数与平均池化层，以提升特征表示能力与模型稳定性。
• 通过在训练集与验证集上的top-1误差率评估模型性能。

实验结果

研究问题

• RQ1 完全自动化的基于CNN的系统是否能够在无需人工特征工程的情况下，实现对乳腺X线图像中浸润性导管癌的高精度分类？
• RQ2 与标准训练方法相比，所提出的强化样本学习策略是否能够减少训练时间并提升收敛速度？
• RQ3 RSL策略在医学图像分类中如何影响验证误差与模型泛化能力？
• RQ4 图像质量差异与数据集异质性在多大程度上影响乳腺X线图像分类中的模型性能？
• RQ5 该模型是否能够在无显式预处理的情况下，有效检测微小钙化灶与小病灶等细微特征？

主要发现

• 所提出的CNN模型在150个周期内，采用强化样本学习策略，实现了11.4%的训练误差。
• 验证误差保持在22.1%以下，表明尽管数据集存在变异性，仍具备良好的泛化能力。
• 基于RSL的训练方法相比传统训练方法减少了所需周期数，提升了训练效率。
• 该模型对DDS M数据集中图像质量差异与结构差异表现出良好的鲁棒性。
• 系统成功实现了端到端的特征提取与分类，无需人工干预即可完成感兴趣区域检测与特征描述。
• 结果证实，结合RSL的深度CNN在大规模医学图像分类中具备可行性，可实现更快收敛与高精度。