Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning

要約

定期的なマンモグラフィ スクリーニング中に管腔サブタイプと非管腔サブタイプを持つ患者を自動的に識別することは、臨床医が乳がん治療計画を合理化するのに役立ちます。
最近の機械学習技術は、マンモグラフィにおける分子サブタイプの分類において有望な結果を示しています。
ただし、ピクセル レベルの注釈、手作り、および radiomic 機能に大きく依存しています。
この作業では、画像レベルのラベルのみを使用してトレーニングされた完全なマンモグラム画像の管腔サブタイプ分類に関する最初の洞察を提供します。
ResNet-18 ベースの管腔サブタイプ分類タスクと非管腔サブタイプ分類タスクを微調整するために、転移学習が乳房異常分類タスクから適用されます。
公開されている CMMD データセットで結果を提示して比較し、テスト データセットで平均 AUC スコア 0.6688 と平均 F1 スコア 0.6693 を達成することで、このアプローチがベースライン分類器よりも大幅に優れていることを示します。
ベースラインからの改善は統計的に有意であり、p 値は p<0.0001 です。

要約(オリジナル)

Automatic identification of patients with luminal and non-luminal subtypes during a routine mammography screening can support clinicians in streamlining breast cancer therapy planning. Recent machine learning techniques have shown promising results in molecular subtype classification in mammography; however, they are highly dependent on pixel-level annotations, handcrafted, and radiomic features. In this work, we provide initial insights into the luminal subtype classification in full mammogram images trained using only image-level labels. Transfer learning is applied from a breast abnormality classification task, to finetune a ResNet-18-based luminal versus non-luminal subtype classification task. We present and compare our results on the publicly available CMMD dataset and show that our approach significantly outperforms the baseline classifier by achieving a mean AUC score of 0.6688 and a mean F1 score of 0.6693 on the test dataset. The improvement over baseline is statistically significant, with a p-value of p<0.0001.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google