Tiefere neuronale Netze mit regionenbasierten Pooling-Strukturen für die Klassifikation mammographischer Bilder

Brustkrebs ist eine der am häufigsten diagnostizierten soliden Krebserkrankungen. Mammographie ist die am häufigsten verwendete Screening-Technologie zur Erkennung von Brustkrebs. Traditionelle maschinelle Lernverfahren zur Klassifikation oder Segmentierung mammographischer Bilder, die auf manuell extrahierten Merkmalen basieren, erfordern eine große Menge an manuell segmentierten Annotationen zur Modelltrainierung und Ergebnisbewertung. Die manuelle Kennzeichnung ist jedoch kostspielig, zeitaufwendig und arbeitsintensiv, was die Gesamtkosten für die Systementwicklung erheblich erhöht. Um diese Kosten und die Belastung von Radiologen zu verringern, wurde ein end-to-end-Verfahren zur vollständigen Mammogrammklassifikation basierend auf tiefen neuronalen Netzen vorgeschlagen, das zur Erstellung eines Klassifikators ohne Bounding Boxes oder Masken-Referenzlabels im Trainingsdatensatz verwendet werden kann. Die einzige erforderliche Kennzeichnung in diesem Ansatz ist die Klassifikation der mammographischen Bilder, die relativ einfach aus Diagnoseberichten gewonnen werden kann. Da Brustläsionen gewöhnlich nur einen Teil der insgesamt sichtbaren Fläche in mammographischen Bildern einnehmen, werden verschiedene Pooling-Strukturen für neuronale Netze mit Faltungen (CNNs) vorgeschlagen, anstelle der üblichen Pooling-Methoden, die das Bild in Regionen unterteilen und diejenigen Regionen mit der höchsten Wahrscheinlichkeit für Malignität als Repräsentation des gesamten Mammogramms auswählen. Die vorgeschlagenen Pooling-Strukturen sind auf die meisten CNN-basierten Modelle anwendbar und können deren Leistungsfähigkeit bei mammographischen Bilddaten bei gleichbleibender Eingabedatenstruktur erheblich steigern. Experimentelle Ergebnisse auf den öffentlich verfügbaren Datensätzen INbreast und CBIS zeigen, dass die vorgeschlagenen Pooling-Strukturen im Vergleich zu vorherigen state-of-the-art-Methoden zur Klassifikation und Detektion mammographischer Bilder mit Segmentierungsannotierungen zufriedenstellende Ergebnisse erzielen.