6.13.6 Faster R-CNN

最新推荐文章于 2024-10-31 14:36:54 发布

托比-马奎尔

最新推荐文章于 2024-10-31 14:36:54 发布

阅读量949

点赞数 30

分类专栏：医学图像处理文章标签： cnn 计算机视觉人工智能

本文链接：https://blog.youkuaiyun.com/qq_47896523/article/details/139919616

版权

医学图像处理专栏收录该内容

47 篇文章

订阅专栏

乳房x光检查是由人类读者评估的。阅读过程单调、累人、冗长、昂贵，最重要的是容易出错。尽管有现代全领域数字乳房x光检查(FFDM)，但漏诊癌症的问题仍然存在。据报道，筛查乳房x光检查的敏感性和特异性分别在77-87%和89-97%之间。这些指标描述了阅读者的平均表现，而个别医生的表现存在很大差异，报告的假阳性率在1-29%之间，敏感性在29 - 97%之间10-12。重复阅读被发现可以提高乳房x光检查的效果，并已在许多国家实施。多次读数可以进一步提高诊断性能，多达10个以上的读数，证明乳房x光检查评估在双重读数之外还有改进的空间。

材料与方法

数据

需要带有像素级注释的乳房x光片来训练病变检测器并测试分类和定位性能。在公共乳腺筛查数字数据库(DDSM)和来自布达佩斯Semmelweis大学的数据集上训练该模型，并在公共INbreast数据集上对其进行测试。用于训练的图像包含组织学上证实的癌症或良性病变，这些病变被召回进行进一步检查，但后来被证明是非恶性的。我们期望用这两种病变进行训练将有助于我们的模型找到更多感兴趣的病变，并区分恶性和良性的例子。

DDSM数据集包含2620个数字化胶片筛查乳房x光检查，具有病灶的像素级地面真值注释。癌性病变有组织学证据。只使用DDSM数据库来训练我们的模型，而不是评估它。数字化膜屏乳房x光片的质量不如全视野数字化乳房x光片，因此对这些病例的评价是不相关的。将无损jpeg图像转换为png格式，使用DDSM网站的校准函数将像素值映射为光密度，并将像素值重新缩放到0-255范围。

来自匈牙利布达佩斯Semmelweis大学放射科的数据集包含来自174名患者的214次检查的847张FFDM图像。

INbreast数据集包含115个FFDM病例，具有像素级的ground truth注释，以及癌症的组织学证据。调整了INbreast像素级注释以适应我们的测试场景。忽略所有良性注释，并将恶性病变注释转换为边界框。我们排除了8例未明确其他发现、伪影、既往手术或病理结果不明确的检查。由于图像对比度较低，因此我们调整了像素级窗口。将像素值裁剪为比像素值分布模式(不包括背景)最小低500像素，最大高800像素，并重新缩放为0-255范围。

方法

模型的核心是一个最先进的目标检测框架，Faster R-CNN37。Faster R-CNN基于卷积神经网络，带有用于检测、定位和分类图像中的物体的附加组件。Faster R-CNN有一个卷积层的分支，称为区域建议网络(RPN)，在原始网络的最后一个卷积层之上，它被训练来检测和定位图像上的物体，而不管物体的类别。它使用具有不同大小和宽高比的默认检测框来查找具有不同大小和形状的对象。得分最高的默认框称为网络其他分支的区域建议。

神经网络的另一个分支评估来自最后一个卷积层的每个提议区域的信号，该信号被重新采样到固定的大小。这两个分支都试图解决一个分类任务来检测对象的存在，以及一个边界盒回归任务来优化区域中存在的对象的边界。从检测到的重叠目标中，使用非极大值抑制选择最佳预测。模型的轮廓如图1所示。

模型中使用的基础CNN是一个VGG16网络，它是一个16层的深度CNN。最后一层可以检测图像中2种物体，良性或恶性病变。模型的输出是每个检测到的病变的边界框和一个分数，它反映了对病变类别的置信度。为了用一个分数来描述图像，计算图像中检测到的所有恶性病变的分数的最大值。对于同一乳房的多张图像，我们取单个图像得分的平均值。使用随机洗牌训练数据集训练了2个模型。当对这些模型进行组合时，图像的得分是单个模型的平均得分。这种方法的灵感来自于先前一项关于独立人类读者的研究，事实证明，这种方法既简单又灵活，而且相当有效。

使用了Faster R-CNN作者开发的框架，该框架是在Caffe框架中构建的，用于深度学习。在训练过程中，同时对模型的目标检测和分类器部分进行优化，称为联合优化。使用反向传播和随机梯度下降与权值衰减。用于训练的初始模型是在来自ImageNet数据集的120万张图像上进行预训练的。

乳房x光片是各向同性缩小的所以它们的长边小于2100像素短边小于1700像素。此分辨率接近所使用的图形卡内存中适合的最大尺寸。选择长宽比以拟合Hologic图像的规则长宽比。发现更高的分辨率产生更好的结果，因为之前的模型将图像缩小到1400×1700像素分辨率，在DM挑战中AUC降低了0.08。应用垂直和水平翻转来增强训练数据集。乳房x光片比普通图像包含更少的物体，在训练行为的初始检查中，在病理学上观察到少量阳性区域。为了解决类平衡问题，将区域建议网络中前景对象的交集超过联合(IoU)阈值从0.7降低到0.5。这种选择允许在小批量中使用更多的正例，并有效地稳定了训练。

乳房x光片上病变的边界远不如传统图像上的汽车或狗那么明确，这一事实也支持了对积极例子的放松。最终非最大抑制(nms)的IoU阈值被设置为0.1，因为与普通图像相比，乳房x光片代表一个压缩的、相对较薄的3D空间，因此重叠检测的发生频率预计低于常规目标检测。该模型训练了40k次迭代，之前通过在DM挑战训练数据上测试多个模型发现该数字接近最优。在Nvidia GTX 1080Ti显卡上对模型进行了训练和评估。本文中使用INbreast数据集的结果是通过单个模型获得的。

结果

癌症分类

使用接收者工作特征(ROC)指标评估了模型在公共INbreast数据集上的性能，如图2所示。INbreast数据集包含许多只有一个侧面的检查，因此我们评估了每个乳房的预测。系统实现了AUC = 0.95(95%的百分位数区间:0.91至0.98，从10000个bootstrap样本估计)。据我们所知，这是基于单一模型的全自动系统在INbreast数据集上报告的最高AUC分数。