Localisation of Mammographic masses by Greedy Backtracking of Activations in the Stacked Auto-Encoders

要約

タイトル：積み重ね自己符号化器の貪欲なバックトラッキングによるマンモグラフィック質量のローカリゼーション

要約：

– マンモグラフィック画像解析には正確なマンモグラフィック質量のローカリゼーションが必要である。
– 質量や関心領域（ROI）を診療医がマークし、その領域から特徴を抽出されることがある。
– 本論文では、積み重ね自己符号化器の最大クラス活性を基にした、新しいマンモグラフィック質量ローカリゼーションフレームワークを提案する。
– 著者らは、マンモグラフィック画像で異常クラスを活性化する画像領域が、異常を引き起こす乳房質量であると仮定する。
– 実験では、IRMAマンモグラフィックデータセットからランダムに選択された200枚のマンモグラフィック画像（100枚は正常、100枚は異常）を使用する。
– 専門医によってマークされた異常質量領域を基に、地面の真実を使用する。
– 提案手法は、顕著な領域検出精度において、既存の深層畳み込みニューラルネットワーク（DCNN）ベースの手法を上回り、貪欲なバックトラッキング手法はより効率的で、DCNNベースの手法と比較して、多数のラベル付きトレーニング画像を必要としない。
– このような自動ローカリゼーション手法は、診療医が生検推奨や治療評価に正確な判断を下すのを支援する。

要約(オリジナル)

Mammographic image analysis requires accurate localisation of salient mammographic masses. In mammographic computer-aided diagnosis, mass or Region of Interest (ROI) is often marked by physicians and features are extracted from the marked ROI. In this paper, we present a novel mammographic mass localisation framework, based on the maximal class activations of the stacked auto-encoders. We hypothesize that the image regions activating abnormal classes in mammographic images will be the breast masses which causes the anomaly. The experiment is conducted using randomly selected 200 mammographic images (100 normal and 100 abnormal) from IRMA mammographic dataset. Abnormal mass regions marked by an expert radiologist are used as the ground truth. The proposed method outperforms existing Deep Convolutional Neural Network (DCNN) based techniques in terms of salient region detection accuracy. The proposed greedy backtracking method is more efficient and does not require a vast number of labelled training images as in DCNN based method. Such automatic localisation method will assist physicians to make accurate decisions on biopsy recommendations and treatment evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI