基于端到端训练的EfficientNet卷积网络在双视图乳腺X线摄影中的乳腺癌诊断应用

一些最近的研究描述了使用深度卷积神经网络在乳腺X线摄影中诊断乳腺癌的方法，其性能与人类专家相当甚至更优。其中一种最佳技术进行了两次迁移学习：第一次使用在自然图像上训练的模型创建一个“小块分类器”，用于对小区域图像进行分类；第二次则利用该小块分类器扫描整幅乳腺X线摄影图像，从而构建出“单视角全图分类器”。我们提出进行第三次迁移学习，以获得一个“双视角分类器”，用于处理两个乳腺X线摄影视角：双侧头尾位和内外斜位。我们的模型基于EfficientNet。我们使用CBIS-DDSM数据集对整个系统进行端到端训练。为了确保统计稳健性，我们采用两种方法测试系统：(a) 5折交叉验证；(b) 数据集的原始训练/测试划分。我们的技术在5折交叉验证中达到了0.9344的AUC值（在ROC曲线的等错误率点处，准确率、敏感性和特异性分别为85.13%）。使用原始数据集划分时，我们的技术实现了0.8483的AUC值，据我们所知这是该问题迄今为止报告的最高AUC值，尽管各研究之间细微的测试条件差异使得准确比较变得困难。推理代码和模型可在https://github.com/dpetrini/two-views-classifier 获取。