Jenseits des Feinabstimmens: Klassifizierung hochaufgelöster Mammogramme mittels funktionsbewahrender Transformationen

Die Aufgabe der Klassifizierung von Mammogrammen ist sehr herausfordernd, da die Läsionen in den hochaufgelösten Bildern üblicherweise klein sind. Die aktuellen fortschrittlichsten Ansätze zur Klassifizierung medizinischer Bilder basieren auf der Verwendung der etablierten Methode für ConvNets – dem Feinjustieren (fine-tuning). Es gibt jedoch grundlegende Unterschiede zwischen natürlichen und medizinischen Bildern, die nach bisherigen Erkenntnissen aus der Literatur die insgesamt erzielbaren Leistungsverbesserungen bei algorithmischen Ansätzen begrenzen. In dieser Arbeit schlagen wir vor, das Feinjustieren zu übersteigen, indem wir einen neuen Rahmen namens MorphHR einführen, in dem wir ein neues Transfer-Learning-Verfahren hervorheben. Das Konzept hinter dem vorgeschlagenen Rahmen besteht darin, funktionserhaltende Transformationen für beliebige kontinuierliche nichtlineare Aktivierungszellen zu integrieren, um das Netzwerk intern zu regularisieren und so die Klassifizierung von Mammogrammen zu verbessern. Der vorgeschlagene Ansatz bietet zwei wesentliche Vorteile gegenüber den bestehenden Techniken. Erstens und im Gegensatz zum Feinjustieren ermöglicht der vorgeschlagene Ansatz nicht nur die Modifikation der letzten Schichten, sondern auch mehrerer früherer Schichten eines tiefen ConvNets. Dadurch können wir den vorderen Teil des Netzwerks so gestalten, dass er sich für das Erlernen domänenspezifischer Merkmale eignet. Zweitens ist das vorgeschlagene Verfahren skalierbar auf Hardware. Somit kann man hochaufgelöste Bilder in standardmäßigem GPU-Speicher platzieren. Wir zeigen, dass durch die Verwendung hochaufgelöster Bilder relevante Informationen nicht verloren gehen. Anhand numerischer und visueller Experimente demonstrieren wir, dass der vorgeschlagene Ansatz eine signifikante Verbesserung der Klassifizierungsleistung gegenüber den aktuellen fortschrittensten Techniken erzielt und tatsächlich mit den radiologischen Experten mithalten kann. Darüber hinaus und im Hinblick auf Generalisierung zeigen wir die Effektivität des vorgeschlagenen Lernverfahrens an einem weiteren großen Datensatz, ChestX-ray14, wobei es die aktuellen fortschrittensten Techniken übertrifft.