摘要
早期发现并及时治疗乳腺癌可显著挽救生命。乳腺X线摄影（ mammography）是筛查早期乳腺癌最有效的手段之一。一种自动化的乳腺影像分类方法能够提升放射科医生的工作效率。当前基于深度学习的方法通常采用传统的Softmax损失函数来优化特征提取部分，其目标是学习乳腺影像的特征表示。然而，已有研究表明，仅依靠标准Softmax损失难以从复杂数据中学习到具有判别性的特征。本文提出了一种新型网络架构，并设计了相应的损失函数。具体而言，我们构建了一个双分类器网络结构，通过调整分类器的决策边界来约束所提取特征的分布。在此基础上，我们提出了双分类器约束损失函数（Double-Classifier Constraint Loss），以有效调控决策边界，使特征提取部分能够学习到更具判别性的特征。此外，利用双分类器架构的特性，该神经网络能够识别难以分类的样本。为此，我们进一步提出加权双分类器约束方法，使特征提取部分更加关注难分类样本的特征学习。所提出的算法可无缝集成至现有的卷积神经网络中，以提升乳腺影像分类性能。我们在三个公开的乳腺影像基准数据集上进行了大量实验，结果表明，本方法在三个公开医学影像基准测试中均优于多种现有方法及当前最先进的技术。相关代码与预训练权重已发布于GitHub，可供研究者下载与复现。