Miccai论文分享（一）Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram Classific

本文链接：https://blog.youkuaiyun.com/a1054513777/article/details/80351838

多示例学习(multi-instance learning)

本科毕业答辩结束！这个系列主要分享一些Miccai这一医学影像分析顶级会议上论文～

为什么讲这个？

看到了miccai2017年的一篇挺有意思的论文，所以查阅了相关研究资料，分享给大家。

什么是多示例学习？

这方面国内的大牛周志华是领域翘楚，大家有兴趣可以看看他之前的相关工作。下面的部分摘自他的一个survey性质的文章。
周志华survey
在多示例学习中，训练样本是由多个示例组成的包，包是有概念标记的，但示例本身却没有概念标记。如果一个包中至少包含一个正例，则该包是一个正包，否则即为反包。
与监督学习相比，MIL中的训练示例是没有概念标记的，这与监督学习中所有训练示例都有概念标记不同；与非监督学习相比，MIL中的训练包是有概念标记的，这与非监督学习的训练样本中没有任何概念标记也不同。
1.png-3.2kB
在以往的各种学习框架中，一个样本就是一个示例，即样本和示例是一一对应的关系；而在MIL中一个样本(即包)包含了多个示例，即样本和示例是一对多的对应关系。因此这是一种新的学习框架。

Miccai论文

那么Miccai论文是怎么应用这个多示例学习呢？先介绍整个论文是在干嘛？

论文是对Mammogram乳房X光照片进行分类用来计算机辅助检测乳腺癌，传统的做法依赖于ROI(Regions of Interest)的获取，即需要detection然后segementation最后再进行classification。这有两个缺点：

依赖于人为设计的特征，以及groundtruth

不是end-to-end

那么这篇论文是怎么解决的呢？

它是基于原始整个乳房X光图片进行分类。它将每个乳房X光照片的patch看做示例，将整个乳房X光照片看做a bag of instances即上面说的包。那么这个分类问题可以看做是标准的MIL问题。
2.png-186.4kB
上图就是整个乳房X照片分类的流程图。

首先使用大津方法(类内方差最小，类间方差最大)来移除背景同时resize到227*227

使用AlexNet中的卷积层，提取它最后一个卷积层的特征。最后会得到6*6*256的feature map

对CNN中的feature map进行基于恶性(当确定为恶性是为1)不同patch之间权值共享的logistic regression，然后将response进行rank。

最后学习的损失由三种不同的模式进行计算，分别是max pooling loss, label assignment, sparsity loss.