mot-clé : L'ASN, la perte T-test, perte de Huber

EXAMEN

Cet article est le champ supérieur de conférence vision par ordinateur CVPR 2019 Sélection d'interprétation Papers « de la mammographie basée pour détecter des micro-calcifications cascade apprentissage génératif et discriminante (générative et discriminante cascadé d'apprentissage pour microcalcifications de détection dans le sein mammographies) » est.

Le document de la collaboration profonde avec Rui Wang Yizhou groupe de recherche médicale de l'Université de Pékin, est l'application de son algorithme d'auto-développement dans la sagesse du domaine médical, microcalcifications (diamètre du molybdène du sein pour la < = 1cm) les problèmes détectés une idée nouvelle formule obligatoire et le modèle discriminante. détection de calcification pour le diagnostic précoce du cancer du sein est essentiel, selon la cinquième édition de l'American College of Radiology normes BI-RADS, soupçonnés calcifications malignes ont généralement un diamètre inférieur à 1 cm. Par conséquent, l'algorithme de détection des recherches microcalcifications a une grande importance clinique.

Détection de calcification du sein

Le cancer du sein est une tumeur maligne la plus fréquente chez les femmes. L'incidence annuelle continue d'augmenter, l'imagerie pour la détection précoce et le diagnostic précis du cancer du sein est très important. point de calcification est l'un des plus importants signes de cancer du sein, et les différentes formes de grappes de calcification, les morceaux doivent continuer à se développer au début calcification réunis, de sorte que par la méthode simple regroupement à identifier. Par conséquent, La détection des calcifications de diagnostic du cancer du sein, le diagnostic précoce est particulièrement la plus part importante, fournit la base pour des questions telles que la masse, la détection calcification groupe .

Depuis calcifications typiquement moins de 1 mm3 de volume, l'image présentée sur la mammographie, et souvent pas plus de 14 pixels, En outre, une grande calcification de luminance, le contraste, le changement de forme. Par conséquent, algorithme de détection de calcification existant Face au problème plus difficile à extraire fonction .

Calcification l'image schématique de la mammographie

Gauche (a), (b), (c) représentent respectivement l'image originale, l'image de droite est une calcification élargie. (A) du jeu de données INBreast , (b), (c) à partir d'un ensemble de données privées

D'autre part, des échantillons de données réelles contenant seulement une petite quantité de calcification, entraînant des données montrant un déséquilibre échantillon. Par conséquent, dans la formation, le classificateur ont tendance à surajustement échantillons négatifs, ce qui entraîne dans la détection d'échantillons positifs particulièrement difficiles.

cadre de détection d'anomalie

Étant donné que la forme de calcification irrégulière, et le nombre relativement faible d'échantillons non calcifiée, nous pouvons donc penser à ce problème en problème de détection d'anomalie supervisée, est sur le point de point de calcification anormale. Sur la base de cette connaissance préalable, nous essayons d'adapter les images normales d'échantillons, et la calcification comme des valeurs aberrantes et essayer de détecter cette partie dehors. À cette fin, Nous vous proposons la génération et le cadre d'apprentissage continu discriminante , Il est divisé en deux étapes: La première étape consiste à des anomalies de réseau séparées (Anomaly Seperation réseau, ASN) , Avec une forte représentation de la capacité du réseau reconstruit et la perte de la fonction T-test pour nous aider à séparer les échantillons positifs et négatifs; La deuxième étape consiste à éliminer les faux positifs (faux positifs de réduction, RPF) Pour éliminer, mais pas la région calcifiée ayant une morphologie anormale, tels que la calcification vasculaire, calcification en dents de scie.

Schématique d'un procédé

Le procédé comprend deux étapes: (1) ASN (2) TFP

L'ASN qui est détectée par Anomaly Seperation réseau au candidat calcification, mais faire éliminer plus positifs TFP faux par le réseau de classification binaire. Dans la phase de formation de l'ASN, on reconstruit par mammographie patch de la figure U-Net, et d'être séparé par un test T et la fonction de perte de l'échantillon des échantillons normaux calcifiés. En TFP, nous utilisons ne ResNet-50 classification, l'échantillon est un calcification positif de l'échantillon et le candidat des échantillons négatifs détectés dans l'ASN.

Anormale ségrégation réseau (ASN)

En raison de la profondeur de l'image reconstruite dans une variété de tâches réseau peut être prouvé de manière stable bien réalisée, de sorte Nous utilisons le réseau pour reconstruire la reconstruction profondeur de l'image de mammographie . Plus précisément, nous utilisons le U-Net être des points de pixels reconstruits. Dans le transfert de saut, nous avons utilisé les trois échantillons et trois échantillons sur la scène. Chaque étage est constitué de trois couches de convolution. Avec une telle conception de réseau a trois avantages suivants:

Tout d'abord, l'utilisation de plus faible exploitation peut apporter efficacement la taille du champ récepteur dans cette zone dans l'image reconstruite et l'uniformité des pixels est avantageuse.

Chaque fois que nous seulement 8 fois selon l'ampleur des sous-échantillonnage. En effet, la taille de la calcification au sein typiquement 14 pixels, ce qui évite une perte excessive d'information.

La connexion peut ignorer l'utilisation des fonctionnalités peu profondes, et contribuer ainsi à améliorer la précision.

On reconstruit la fonction de réseau avec f (·). Les valeurs résiduelles pour définir une image donnée I, reconstruite comme:

Nous espérons être en mesure de reconstituer un échantillon négatif (normal), tandis que les échantillons positifs détectés comme des valeurs aberrantes. Par conséquent, nous espérons que ces deux types d'échantillons de différentes distribution de la valeur de reconstruction, pour laquelle nous proposons la fonction de perte T-test suivant pour faire deux autre distribution.

Contacter la détection d'anomalie

Éliminer les faux positifs (RPF)

L'ASN peut mieux reconstruire des échantillons négatifs, et la calcification détectée comme des valeurs aberrantes. Cependant, la mammographie, l'ajout de calcifications du sein, il existe d'autres types de calcifications, ils ne sont pas calcifications du sein. Comme on le voit ci-dessous, le côté gauche de la calcification vasculaire patch rectangulaire verte, généralement une combinaison de plusieurs calcifications. Pour ASN, ils ont également négatif dans l'échantillon anormal de détecter ainsi comme une valeur aberrante. Mais en fait, ils sont tout à fait différentes calcifications dans la morphologie et d'autres caractéristiques, telles que les cercles orange sur le côté droit du patch comme indiqué sur la figure. En d'autres termes, ils ne sont pas difficiles à distinguer calcifications. Par conséquent, nous vous proposons la profondeur du réseau en termes de classification pour distinguer d'autres types de zone calcifications du sein et calcifications pour compléter l'élimination des faux positifs.

À gauche: calcification vasculaire; droite: sein calcification

Plus précisément, nous allons ResNet50 en réseau classé. Pour chacune de la zone de communication du patch, nous avons prédit position en tant que centre, et calcule les valeurs des pixels environnants et l'erreur de reconstruction, on sera désigné en tant que fraction de l'ASN. Pour chaque ASN du patch, nous allons ajuster la taille originale de 56x56 à 224x224, et entrez dans le ResNet50. Nous utilisons le score de l'ASN et le score produit comme son score TFP final.

Dispositif expérimental

Dans le cadre du format de données pour chacune de la valeur de pixel d'origine des données DICOM mammographie linéaire mappé à 0-255, et ainsi converti en image de niveaux de gris de 8 bits. La méthode que nous utilisons Otsus pour séparer la zone du sein, et le retirer dans le contexte des images de mammographie. Nous utilisons l'algorithme d'optimisation Adam, l'initialisation de l'apprentissage était de 0,0001, ainsi que 10 ^ (- 4) tombent paramètres. La valeur carrée et la pente moyenne de 0,9 et 0,999, respectivement. est fixé à 0,8, et le paramètre de régularisation de lambda N XPL sont mis à 1 et 0,1. Dans la phase d'apprentissage, une image cible de molybdène est ajustée à la taille de 112 x 112. Nous avons placé dans ces images patch réseau de formation de l'ASN, nous contrôlerons le rapport des échantillons positifs et négatifs en 1: 1, pour extraire plus patch candidat.

Première pré-TFP formation sur IMAGEnet, nous nous entraînons avec SGD, le taux d'apprentissage de 0,001. Tous les candidats ont été détectés ASN calcifications et véritables calcifications sont mis en séance de re-formation ResNet 50.

Les résultats expérimentaux

Nous avons divulgué ensemble de données InBreast ci-dessus, et des ensembles de données privées, et plus rapide RCNN et U-Net w par rapport résultat TFP. ensemble de données comprend InBreast 115 patients, les images de mammographie 410, 6880 a été marqué calcification. Les résultats sont rapportés dans le tableau 1. 5 fois la validation croisée. Nous pouvons voir, Les méthodes vaincues ici le plus efficace de plusieurs algorithme de détection de calcification .

Tableau 1 Résultats (%) dans l'ensemble de données InBreast

Pour vérifier encore l'efficacité de l'algorithme, ce document établit un ensemble de données privées de 439 patients, 1799 image composée de plus de 10 ans de deux radiologues, marquer conjointement la calcification 7588. Cet article 339 cas sélectionnés au hasard 1386 images calcification total 5479 comme échantillons de formation, 208 cas de l'image 50 calcification 1129 comme l'ensemble de validation, 50205 cas d'image calcification 980 comme un ensemble de test. Le tableau 2 présente une comparaison des résultats des ensembles de données privées, nous pouvons voir Le procédé de ce document est bien au-delà de l'algorithme de détection de courant principal .

Le tableau 2 les résultats dans un ensemble de données privées (%)

Pour illustrer notre propos par rapport à U-Net, les avantages de notre modèle ne résulte pas de la RPF, nous avons comparé les résultats de U-Net et l'ASN.

Tableau 3 Résultats ensemble de données InBreast (en%) (pas de faux positif d'élimination)

Tableau 4 (pas d'élimination de faux positifs) en (%) résultats de données privées

Nous pouvons comparer notre modèle, et d'autres méthodes dans le taux de détection avec une courbe de variation faux positif, comme le montre la figure. On peut voir dans le même faux positifs, l'ASN que le U-Net a un taux de détection plus élevé. Après cette étape, ainsi que le contrôle de faux positifs, le taux de détection sera encore améliorée.

Diverses méthodes de comparaison de la courbe de détection

À gauche: Résultats sur INBreast, à droite: résultat d'ensemble de données privées

De plus, nous montrons quelques exemples de différentes méthodes de détection calcification, comme le montre la figure. Du fait un point de calcification est pas plus de 5 pixels, le FPN ne peut se faire dans la netteté de l'image traitée de l'image originale peut être détectée 1/4, mais cette image est trop grande pour dépasser la capacité de mémoire. Par conséquent, on voit sur la figure, les trois premiers exemples ne sont pas détectés calcification FPN. La dernière ligne de la figure montre la calcification vasculaire, Cette étape par l'élimination des faux positifs, notre méthode peut être exclue avec succès .

Chaque méthode de parité sur quelques exemples

La deuxième colonne est la situation réelle, troisième, quatre étaient le modèle ASN et notre projet ASN + RPF, en tant que cinquième U net w RPF, sixième comme FPN FRCN

références:

Viola, P., Jones, M:. Détection d'objet rapide en utilisant une cascade boosté de fonctionnalités simples dans: .. IEEE Computer Society Conférence sur la vision par ordinateur et reconnaissance de formes (2001) 511.

Bria, A., Karssemeijer, N., Tortorella, F:. L'apprentissage à partir de données non équilibrée :. Une approche basée en cascade pour détecter des micro-calcifications Medical Image Analysis 18 (2014) 241-252 en cluster.

Lu, Z., Carneiro, G., Dhungel, N., Bradley, A.P. Détection automatique de l'individu.

Ren, S., He, K., Girshick, R., Soleil, J:. Plus rapide r-cnn: vers la détection d'objets en temps réel avec les réseaux de la proposition de la région par :. Conférence internationale sur Neural Information Processing Systems (. 2015) 91-99.

Inbreast :. Vers une base de données mammographique numérique plein champ académique de radiologie

19 (2) (2012) 236-248.

Ronneberger, Olaf, Philipp Fischer et Thomas Brox "U-net:. Réseaux convolutifs pour la segmentation d'images biomédicales". Conférence internationale sur l'image médicale et informatique intervention assistée par ordinateur Springer, Cham, 2015 ..

Huber, J. Peter "Statistiques robustes." Encyclopédie internationale des sciences statistiques. Springer, Berlin, Heidelberg, 2011. 1248-1251.

Il, Kaiming, et al. "L'apprentissage en profondeur résiduelle de reconnaissance d'image." Proceedings de la conférence IEEE sur la vision par ordinateur et la reconnaissance des formes. 2016.

Otsu, N. (1979). Une méthode de sélection de seuil à partir Histogrammes niveaux de gris. IEEE transactions sur les systèmes, l'homme, et, 9 Cybernétique (1), 62-66.

* Aucune partie de cet article est pris du public "Deep Core deepwise" Article: Conférence Intelligence artificielle 2019 haut, reconnaissance d'image et d'analyse d'images médicales Deep Core Institut de huit documents sélectionnés technologies innovantes pour réaliser une percée

CVPR

Conférence IEEE sur la reconnaissance Vision par ordinateur et (IEEE CVPR) Il est la partie supérieure conférence informatique internationale (classe CCF A) champ visuel, un événement annuel. CVPR 2019 aura lieu à Long Beach, USA 16 Juin.

Photo | Sun Xinwei

Vision et arts numériques (CVDA)

A propos CVDA

La vision par ordinateur et Art numérique (CVDA) groupe de recherche a été fondé en 2007 au sein de l'Institut des médias numériques à l'Université de Pékin dirigé soit le professeur Wang Yizhou . Le groupe se concentre sur le développement des théories et des modèles informatiques pour résoudre difficiles problèmes de vision par ordinateur à la lumière des preuves biologiquement plausibles de la perception visuelle et de la cognition. L'objectif principal de CVDA est d'établir une base mathématique de comprendre l'aspect de calcul des mécanismes robustes et efficaces de la perception visuelle humaine, la cognition, l'apprentissage et plus encore. Nous croyons aussi que le mariage de la science et de l'art stimulera inspirations intéressantes sur la production des expressions créatives des motifs visuels.

Près de Point Hot

• CVPR | Agent procédé de fusion tenseur de maintien de l'information de la structure spatiale de la méthode de prédiction de la trajectoire

• Cours d'été | John conférence sur « sciences de l'information en mathématiques »

• Nouvelles | informatique de pointe Centre de recherche du troisième Forum jeunesse Université de Pékin a tenu

• Recrutement | avant-garde Computing Research Center du système de retenue l'Université de Pékin / enseignants recrutés à long

- Droit d'auteur -

Ce micro-canal numéro public pour tous les contenus, Computing Research Center par la pointe de Peking micro lettre se créer, le texte Collect, des images et des données audio et vidéo, le droit d'auteur appartient à l'Université de Pékin pointe informatique centre de recherche micro lettre à tous, les canaux ouverts recueillent, compilent et autorisation du texte reproduit, des photographies et des données audio et vidéo, le droit d'auteur appartient à l'auteur original. contenu Non, comme l'auteur original de cette réticence du public à publier le contenu de ce numéro, s'il vous plaît aviser le nombre en temps opportun, il est supprimé.