Mehrfachansichtsbasiertes hyperkomplexes Lernen für die Früherkennung von Brustkrebs

Traditionell führen tiefes Lernen-Methoden zur Klassifizierung von Brustkrebs eine Einzelsichtanalyse durch. Radiologen analysieren jedoch gleichzeitig alle vier Sichten, die eine Mammographieuntersuchung ausmachen, aufgrund der in den Mammographiesichten enthaltenen Korrelationen, die entscheidende Informationen für die Identifizierung von Tumoren liefern. Im Lichte dessen haben einige Studien begonnen, mehrsichtige Methoden vorzuschlagen. Dennoch verarbeiten bestehende Architekturen die Sichten der Mammografie als unabhängige Bilder durch getrennte Faltungszweige, wodurch die Korrelationen zwischen ihnen verloren gehen. Um diese Einschränkungen zu überwinden, schlagen wir in diesem Artikel einen methodischen Ansatz für die mehrsichtige Klassifizierung von Brustkrebs basierend auf parametrisierten hyperkomplexen neuronalen Netzen vor. Dank der Eigenschaften der hyperkomplexen Algebra sind unsere Netze in der Lage, bestehende Korrelationen zwischen den verschiedenen Sichten einer Mammografie zu modellieren und somit zu nutzen, was dem Leseprozess, den Ärzte durchführen, nachahmt. Dies geschieht, weil hyperkomplexe Netze sowohl globale Eigenschaften wie herkömmliche neuronale Modelle als auch lokale Beziehungen, d.h., Korrelationen zwischen den Sichten, erfassen können, wobei reelle Netzwerke bei der Modellierung dieser Beziehungen versagen. Wir definieren Architekturen zur Verarbeitung von Zwei-Sicht-Untersuchungen, nämlich PHResNets, sowie Vier-Sicht-Untersuchungen, z.B., PHYSEnet und PHYBOnet. Durch eine umfangreiche experimentelle Bewertung mit öffentlich zugänglichen Datensätzen zeigen wir eindeutig, dass unsere vorgeschlagenen Modelle ihre reellen Gegenstücke und Stand-of-the-Art-Methoden deutlich übertreffen und damit beweisen, dass die Klassifizierung von Brustkrebs von den vorgeschlagenen mehrsichtigen Architekturen profitiert. Wir evaluieren auch die Generalisierbarkeit unserer Methode über die Analyse von Mammografien hinaus anhand verschiedener Benchmarks sowie einer feiner skalierten Aufgabe wie der Segmentierung. Der vollständige Code und prätrainierte Modelle für eine vollständige Reproduzierbarkeit unserer Experimente sind frei verfügbar unter https://github.com/ispamm/PHBreast.