文献阅读-2017A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis

文献阅读2017-A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis

方法：
提出了一种甲状腺结节诊断的混合方法，即将两种不同卷积层和全连接层的预训练卷积神经网络(CNNs)融合。首先，分别对使用ImageNet数据库预训练的两个网络进行训练。其次，我们将两个cnn的经过训练的卷积滤波器、pooling和normal- ization操作学习到的feature map进行融合。最后，结合融合后的特征图，使用softmax分类器对甲状腺结节进行诊断。该方法在15000张超声图像上得到了验证。

整体结构框架：

下图为 甲状腺结节超声图像示例以及对应的二进制边界掩膜。这个地方存在疑问，这个二进制边界是怎么弄出来的，数据集自带的吗?

CNN的结构：
CNN1:

采用函数参数整流线性单元(PReLu)作为激活函数，损失函数用交叉熵损失函数。

CNN1和CNN2：

CNN1能学习抓取细微的低层次特征，CNN2抓取甲状腺结节复杂的高层次特征，从而对甲状腺结节进行多层次的特征学习。

训练不同CNN框架：

我们的CNN架构是用一组来自ImageNet数据库的130万张自然图像进行预训练的。运用了SGD的方法。为了减少过拟合，我们使用了一种正则化方法，名为split Dropout (sDropout)，是Dropout的新延伸。
具体训练过程为：首先对两个CNN分别训练。其次，我们将两个cnn通过训练好的卷积滤波器、pooling和归一化操作学习到的多层次特征映射进行融合。最后，利用融合特征图的softmax分类器对甲状腺结节进行诊断。

为了提高表现，在测试时采用多视图策略，
CNNs的测试概述。我们基于CNN的方法首先提取多个结节斑块，以捕获广泛的结节变化二维超声图像。然后将获得的小块同时输入到网络中，计算判别特征。最后，应用softmax对输入节点进行标记。

并和传统的方法SVM（用RBF核函数）做比较。运用了10倍交叉验证。

为了检验CNN方法捕捉到的模式，我们在下中对输入patch大小为225×225的两个CNN在第一卷积层的96个滤波器进行了可视化。这些结果表明，不同的架构可以训练不同的滤波器。

(a)为CNN1第一卷积层的滤波器，(b)为CNN2第一卷积层的滤波器

为了展示CNN的方法能够有效地分类甲状腺结节，用文献中的方法来可视化通过CNN2学习到的特征映射。如图

不同方法之间的比较：

为了检查多视图的影响，在下表中显示了单视图和多视图的测试误差。

讨论：
基于不同特征（GLCM 和直方图特征），支持向量机的甲状腺结节分类性能指标