WDCCNet: Gewichteter Doppel-Klassifizierer-Beschränkungs-Neuronales Netzwerk für die Klassifikation mammographischer Bilder

Die Früherkennung und rechtzeitige Behandlung von Brustkrebs kann Leben retten. Mammographie ist eine der effizientesten Methoden zur Frühscreening von Brustkrebs. Ein automatisches Verfahren zur Klassifikation von Mammogrammen könnte die Arbeitsleistung von Radiologen erheblich steigern. Derzeit verwenden tiefenlernbasierte Ansätze typischerweise die herkömmliche Softmax-Verlustfunktion, um den Merkmalsextraktionsabschnitt zu optimieren, der darauf abzielt, relevante Merkmale aus Mammogrammen zu lernen. Allerdings haben frühere Studien gezeigt, dass der Merkmalsextraktionsabschnitt mit der Standard-Softmax-Verlustfunktion keine diskriminativen Merkmale aus komplexen Daten erlernen kann. In diesem Artikel entwerfen wir eine neue Architektur und schlagen jeweils spezifische Verlustfunktionen vor. Insbesondere entwickeln wir eine Doppel-Klassifikator-Architektur, die die Verteilung der extrahierten Merkmale beeinflusst, indem die Entscheidungsgrenzen der Klassifikatoren verändert werden. Anschließend stellen wir eine Doppel-Klassifikator-Beschränkungs-Verlustfunktion vor, um die Entscheidungsgrenzen zu regulieren, sodass der Merkmalsextraktionsabschnitt diskriminative Merkmale lernen kann. Darüber hinaus nutzt die Architektur mit zwei Klassifikatoren die Fähigkeit des neuronalen Netzes, schwierig zu klassifizierende Proben zu erkennen. Wir schlagen eine gewichtete Doppel-Klassifikator-Beschränkungs-Methode vor, um den Merkmalsextraktionsabschnitt stärker auf die Merkmalslernung schwierig zu klassifizierender Proben auszurichten. Unser vorgeschlagener Ansatz lässt sich problemlos in bestehende convolutionale Neuronale Netze integrieren, um die Klassifikationsleistung bei Mammogrammen zu verbessern. Wir haben umfangreiche Experimente durchgeführt, um unsere Methoden an drei öffentlichen Benchmark-Datenbanken für Mammogramme zu evaluieren. Die Ergebnisse zeigen, dass unsere Ansätze gegenüber zahlreichen anderen ähnlichen Methoden sowie gegen aktuelle State-of-the-Art-Verfahren auf den drei öffentlichen medizinischen Benchmarks deutlich überlegen sind. Unser Quellcode und die Modellgewichte sind auf GitHub verfügbar.