论文笔记（一）-Detection and characterization of MRI breast lesions us

Struggle

论文：https://www.sciencedirect.com/science/article/pii/S221156********67
这篇论文的主要内容是围绕乳腺癌的分类，主要方法就是卷积神经网络，划分结果为病变恶性肿瘤分类，正常组织，其他良性病变，IDC和其他恶性病变，最终的准确率达到了0.816。
这篇论文提出，现在大多数的研究都是针对乳房X线摄影的，而这篇论文针对MR图像做出了研究，主要利用的是T1W（a single two-dimensional T1-weighted fat suppressed MR image obtained after intravenous administration of a gadolinium chelate selected by radiologists），也是指出了当前的问题的。同时作者指出，目前放射学家（0.98）在分类的准确率上要高于CNN（0.88）和放射医学（0.81）更高。
论文的数据集来自Journées Francophones de Radiologie 2018，其中包括已经标准化之后的MR图像，大小resize为240*345，这里是为了能够适应网络。数据标注的过程中对图像中的病灶区域进行bounding box的标记，没有明确肿瘤的边缘位置，因为这篇论文也没有涉及到自动标定肿瘤。
网络选择的是ResNet-50，因为是针对彩色图像的网络，所以用MR灰度图像作为输入的时候先复制了为3通道的，再进行处理。这篇论文的一个贡献点应该也是在网络方面：

作者在论文中也提出，一方面是要判断是否有病灶，另一方面要预测分类，所以网络采用两个分支的形式。但是这里不能区分胸部和背部这些非ROI。
训练网络的过程中，作者重复了九次选取训练图像的操作，每次都在数据集335张训练图像中随机选出223张图像，用剩下的图像来作为准确率的计算基础。除此之外，因为模型同时接受了挑战中评估的三项任务（病变检测，恶性肿瘤诊断和病变分类）训练，学习速度不同，所以作者保存了这三项各自最好的参数。

1. 以上作为论文笔记保存，个人理解，如有错误及时更正，科研加油！

复制代码

来源：https://blog.csdn.net/weixin_42402739/article/details/100145385
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！