利用图像块大小与分辨率进行多尺度深度学习在乳腺X线图像分类中的应用

近年来，深度学习（Deep Learning, DL）的进展重新激发了基于深度学习的计算机辅助检测或诊断（CAD）系统在乳腺癌筛查领域的研究兴趣。基于图像块（patch-based）的方法是当前二维乳腺X线摄影图像分类的主要先进技术之一，但其性能在很大程度上受限于图像块尺寸的选择，因为并不存在一种适用于所有病灶尺寸的最优块大小。此外，输入图像分辨率对分类性能的影响尚未得到充分理解。本文系统研究了图像块尺寸与输入图像分辨率对二维乳腺X线图像分类器性能的影响。为充分利用不同块尺寸与分辨率的优势，本文提出了一种多块尺寸分类器（multi patch-size classifier）和一种多分辨率分类器（multi-resolution classifier）。这两种新架构通过融合多种图像块尺寸与不同输入分辨率，实现多尺度分类。在公开的CBIS-DDSM数据集上，模型的AUC提升了3%；在内部数据集上，AUC提升达5%。相较于基准的单块尺寸、单分辨率分类器，本文提出的多尺度分类器在两个数据集上分别达到了0.809和0.722的AUC值。