深度学习：乳腺论文Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram

本文介绍了针对乳腺X线照片的深度多实例学习方法，结合稀疏性和标签分配策略，提高肿块分类准确性。通过端到端训练，网络直接对整个图像进行分类，避免了传统多阶段方法的局限性，同时利用图像中恶性区域的稀疏性进行优化。实验表明，这种方法在无分割或检测注释的情况下，性能优于先前工作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考论文解析：https://blog.youkuaiyun.com/Coralccccc/article/details/73956702

论文翻译：https://blog.youkuaiyun.com/u014264373/article/details/79581655

标题：Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram Classification
来源：MICCAI 2017
作者：Wentao Zhu, Qi Lou, Yeeleng Scott Vang, and Xiaohui Xie

解决的问题：肿块分类

现有方法 : 多阶段集成。将mass classification分成3个模块：detection, segmentation, classification。
存在的问题：

① 除了每个模块自身的性能问题，这个框架需要单独训练每个模块。多阶段不能完全挖掘出深度神经网络的力量。

② 需要很多ground truth信息 : bbox for detection, segmentation map, mass label。标定这些GT信息，很耗人力。

③ 需要手工特征。

本文方法： end-to-end (端到端)+ multi-instance learning（MIL）
输入：乳腺图像，图像的标签（正常图像 Vs 恶性肿块图像）
输出：对于新的乳腺图像，判断它的标签

（ps. 此处正常图像包括：不含肿块图像&良性肿块图像）

本文方法具体介绍

一、MIL：

假设一个bag上有多个instance。一个instance被分类为positive，bag就被认为是positive；所有instance都被分类为negative，bag才被认为是negative。对应到乳腺图像分析上，将一个image分成多个patch。一个patch被分类为恶性肿块区域，image就被认为是恶性肿块图像；所有patch都被分类为正常乳腺组织，image就被认为是正常图像。于是，本文只考虑image上是恶性肿块概率最大的那个patch，它的良恶性就决定了整幅图像的性质。

如何利用MIL：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。

二、方法的整个过程（如图所示）

作为一个实例，整个乳房X线照片被视为一袋实例。整体乳房X线照相分类问题可以被认为是一个标准的多实例学习问题。因此，我们提出了三种不同的方案，即最大池 maxpooling，标签分配 label assignment和稀疏性sparsity，为整体进行深入的多实例学习乳房X线照片分类任务.

网络结构：多个卷积层，一个线性回归层，排序层，多实例损失层