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。
それにもかかわらず、マンモグラム全体から悪性腫瘤と良性腫瘤を区別することは、素人の目とほぼ同一であり、関心領域（ROI）が画像全体のごくわずかな部分を占めるため、依然として困難です。
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病理組織学的画像の両方において、提案されたフレームワークの有効性を実証し、注意ベースの最先端のネットワークと我々の方法の実際の価値に相当するネットワークを上回ります。
私たちの作業のコードは https://github.com/elelo22/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. Nonetheless, discriminating between malignant and benign masses from whole mammograms remains challenging due to them being almost identical to an untrained eye and the region of interest (ROI) occupying a minuscule portion 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, surpassing attention-based state-of-the-art networks and the real-valued counterpart of our method. The code of our work is available at https://github.com/elelo22/AttentionBCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google