5.25.6 深度学习在放射图像中检测和分类乳腺癌病变

计算机辅助诊断 (CAD) 系统使用数字化乳房 X 线摄影图像并识别乳房中存在的异常情况。深度学习方法从有限数量的专家注释数据中学习图像特征并预测必要的对象。卷积神经网络（CNN）在图像检测、识别和分类等各种图像分析任务中的性能近年来表现出色。本文提出利用高精度和先进的对象检测深度学习方法 Faster R-CNN 对乳房 X 光照片中的乳腺癌病灶进行自动检测和分类。所提出的 CAD 系统使用 330 个乳房 X 线摄影图像，其中 121 个带注释的图像用于训练 Faster R-CNN 网络。

1. 介绍

有助于早期发现乳腺癌的三个重要预防措施是每月乳房自我检查、定期临床乳房检查和筛查乳房X光检查。高死亡率主要是由于缺乏癌症的早期发现。

乳房X光检查还可能有助于确定高风险癌症因素，例如含有大量腺体组织的致密乳房。乳房X线照相过程被认为是耗时、乏味的，更重要的是它容易出现错误[4]。事实证明，CAD 系统在准确诊断医学图像方面效果良好，可用于乳房 X 光检查来解决这些问题。

1.1 文章贡献

本文提出利用高精度和先进的对象检测深度学习方法 Faster R-CNN 对乳房 X 光照片中的乳腺癌病灶进行自动检测和分类。

Faster R-CNN 具有三个模块，即作为完全连接网络的基本模型提取出特征图，第二个模块识别所有感兴趣的区域，第三个模型检测第二个模型提出的区域中存在的确切对象[ 7]。本文使用预训练的 VGG-16 网络作为基础卷积网络来提取区域和用于对象检测的 Fast R-CNN