Attention-Map Augmentation for Hypercomplex Breast Cancer Classification

要約

乳がんは女性の間で最も蔓延している新生物であり、この病気の早期発見は非常に重要です。
ディープラーニング技術は、診断パフォーマンスを向上させるために非常に注目されています。
しかし、マンモグラム全体で悪性腫瘤と良性腫瘤を区別することは、素人目にはほぼ同一に見え、関心領域 (ROI) は画像全体のほんの一部にすぎないため、困難を伴います。
本稿では、これらの問題を克服するためのフレームワークであるパラメータ化ハイパーコンプレックス アテンション マップ (PHAM) を提案します。
具体的には、アテンション マップの計算に基づいて拡張ステップを展開します。
次に、アテンション マップを使用して、元の乳がん画像と対応するアテンション マップで構成される多次元入力を構築することにより、分類ステップを条件付けします。
このステップでは、パラメータ化されたハイパーコンプレックス ニューラル ネットワーク (PHNN) を使用して乳がんの分類を実行します。
このフレームワークには 2 つの主な利点があります。
まず、アテンション マップは ROI に関する重要な情報を提供し、ニューラル モデルがそれに集中できるようにします。
第 2 に、超複雑アーキテクチャには、超複雑代数ルールのおかげで入力次元間の局所的な関係をモデル化する機能があり、アテンション マップによって提供される情報が適切に活用されます。
我々は、マンモグラフィー画像と組織病理学的画像の両方に対する提案されたフレームワークの有効性を実証します。
私たちは、アテンションベースの最先端のネットワークや、実際に価値のある私たちのアプローチの対応物を上回っています。
私たちの作業のコードは https://github.com/ispamm/AttendanceBCS で入手できます。

要約(オリジナル)

Breast cancer is the most widespread neoplasm among women and early detection of this disease is critical. Deep learning techniques have become of great interest to improve diagnostic performance. However, distinguishing between malignant and benign masses in whole mammograms poses a challenge, as they appear nearly identical to an untrained eye, and the region of interest (ROI) constitutes only a small fraction of the entire image. In this paper, we propose a framework, parameterized hypercomplex attention maps (PHAM), to overcome these problems. Specifically, we deploy an augmentation step based on computing attention maps. Then, the attention maps are used to condition the classification step by constructing a multi-dimensional input comprised of the original breast cancer image and the corresponding attention map. In this step, a parameterized hypercomplex neural network (PHNN) is employed to perform breast cancer classification. The framework offers two main advantages. First, attention maps provide critical information regarding the ROI and allow the neural model to concentrate on it. Second, the hypercomplex architecture has the ability to model local relations between input dimensions thanks to hypercomplex algebra rules, thus properly exploiting the information provided by the attention map. We demonstrate the efficacy of the proposed framework on both mammography images as well as histopathological ones. We surpass attention-based state-of-the-art networks and the real-valued counterpart of our approach. The code of our work is available at https://github.com/ispamm/AttentionBCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google