Ausnutzung von Patch-Größen und Auflösungen für mehrskaliges tiefes Lernen bei der Klassifikation von Mammogrammbildern

Der jüngste Fortschritt im Bereich des Deep Learning (DL) hat das Interesse an DL-basierten Computer-Aided-Detection- oder Diagnosesystemen (CAD) für die Brustkrebs-Screening erneut geweckt. Patch-basierte Ansätze gehören zu den führenden state-of-the-art-Techniken für die Klassifikation von 2D-Mammogrammbildern, sind jedoch intrinsisch durch die Wahl der Patchgröße begrenzt, da keine eindeutige Patchgröße für alle Läsionsgrößen geeignet ist. Zudem ist der Einfluss der Eingabebildauflösung auf die Leistungsfähigkeit bisher noch nicht vollständig verstanden. In dieser Arbeit untersuchen wir den Einfluss von Patchgröße und Bildauflösung auf die Klassifizierungsleistung bei 2D-Mammogrammen. Um die Vorteile verschiedener Patchgrößen und Auflösungen auszunutzen, werden ein Multi-Patch-Größen-Klassifikator und ein Multi-Auflösungs-Klassifikator vorgeschlagen. Diese neuen Architekturen ermöglichen eine Multi-Skala-Klassifikation durch Kombination unterschiedlicher Patchgrößen und Eingabebildauflösungen. Die AUC steigt auf dem öffentlichen CBIS-DDSM-Datensatz um 3 % und auf einem internen Datensatz um 5 %. Im Vergleich zu einem Baseline-Klassifikator mit einer einzelnen Patchgröße und einer einzelnen Auflösung erreicht unser Multi-Skala-Klassifikator eine AUC von 0,809 auf dem öffentlichen Datensatz und 0,722 auf dem internen Datensatz.