Multi-view Local Co-occurrence and Global Consistency Learning Improve Mammogram Classification Generalisation

要約

スクリーニング マンモグラムを分析するとき、放射線科医は、各乳房の 2 つの同側ビュー、つまり頭尾側 (CC) ビューと内側外側斜め (MLO) ビューにわたって情報を自然に処理できます。
これらの複数の関連する画像は、補完的な診断情報を提供し、放射線科医の分類精度を向上させることができます。
残念ながら、グローバルにラベル付けされた画像でトレーニングされたほとんどの既存の深層学習システムには、これらの複数のビューからのグローバル情報とローカル情報を共同で分析して統合する機能がありません。
スクリーニングエピソードの複数の画像に存在する潜在的に価値のある情報を無視することにより、これらのシステムの潜在的な精度が制限されます。
ここでは、マンモグラムの同側ビューのグローバル一貫性学習とローカル共起学習に基づいて、放射線科医の読み取り手順を模倣する新しいマルチビュー グローバル-ローカル分析方法を提案します。
大規模なプライベート データセットと、モデルがグローバル ラベルで排他的にトレーニングおよびテストされている 2 つの公開データセットで、分類の精度と一般化の点で、モデルが競合する方法よりも優れていることを広範な実験が示しています。

要約(オリジナル)

When analysing screening mammograms, radiologists can naturally process information across two ipsilateral views of each breast, namely the cranio-caudal (CC) and mediolateral-oblique (MLO) views. These multiple related images provide complementary diagnostic information and can improve the radiologist’s classification accuracy. Unfortunately, most existing deep learning systems, trained with globally-labelled images, lack the ability to jointly analyse and integrate global and local information from these multiple views. By ignoring the potentially valuable information present in multiple images of a screening episode, one limits the potential accuracy of these systems. Here, we propose a new multi-view global-local analysis method that mimics the radiologist’s reading procedure, based on a global consistency learning and local co-occurrence learning of ipsilateral views in mammograms. Extensive experiments show that our model outperforms competing methods, in terms of classification accuracy and generalisation, on a large-scale private dataset and two publicly available datasets, where models are exclusively trained and tested with global labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google