Improving Mass Detection in Mammography Images: A Study of Weakly Supervised Learning and Class Activation Map Methods

要約

近年、弱教師モデルがマンモグラフィー画像を使用した腫瘤検出に役立っており、ピクセルレベルのアノテーションの必要性が減少しています。
ただし、文献にある既存のモデルのほとんどは、アクティベーション方法としてクラス アクティベーション マップ (CAM) に依存しており、他のアクティベーション手法を検討することの潜在的な利点を見落としています。
この研究では、マンモグラフィー画像の弱教師トレーニングのための最先端の方法と組み合わせて、さまざまな活性化マップを調査および比較する研究を紹介します。
具体的には、マンモグラフィー画像における質量検出のための GMIC モデルの枠組み内で、CAM、GradCAM、GradCAM++、XGradCAM、および LayerCAM メソッドを調査します。
評価は、精度、真陽性率 (TPR)、偽陰性率 (FNR)、および画像ごとの偽陽性 (FPPI) のメトリクスを利用して、VinDr-Mammo データセットに対して実行されます。
結果は、トレーニング段階とテスト段階でアクティベーション マップのさまざまな戦略を使用すると、モデルの改善につながることが示されました。
この戦略により、GMIC 法の結果が向上し、FPPI 値が減少し、TPR が増加します。

要約(オリジナル)

In recent years, weakly supervised models have aided in mass detection using mammography images, decreasing the need for pixel-level annotations. However, most existing models in the literature rely on Class Activation Maps (CAM) as the activation method, overlooking the potential benefits of exploring other activation techniques. This work presents a study that explores and compares different activation maps in conjunction with state-of-the-art methods for weakly supervised training in mammography images. Specifically, we investigate CAM, GradCAM, GradCAM++, XGradCAM, and LayerCAM methods within the framework of the GMIC model for mass detection in mammography images. The evaluation is conducted on the VinDr-Mammo dataset, utilizing the metrics Accuracy, True Positive Rate (TPR), False Negative Rate (FNR), and False Positive Per Image (FPPI). Results show that using different strategies of activation maps during training and test stages leads to an improvement of the model. With this strategy, we improve the results of the GMIC method, decreasing the FPPI value and increasing TPR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google