蔡洪民；黄，秦健；荣文涛；宋燕；李、焦；王金华；陈嘉洲；李，李 利用数字乳房X线照片中的深度卷积神经网络诊断乳腺微钙化。 （英语） Zbl 1423.92139号 计算。数学。方法医学。 2019年，文章ID 2717454，第10页（2019年）. 摘要：乳腺X线摄影术被成功地用作癌症诊断的有效筛查工具。乳房X光片上的钙化簇是癌症的主要征兆。早期的研究已经证明了钙化的诊断价值，但它们的表现高度依赖于手工制作的图像描述符。以一种自动且可靠的方式对钙化乳房X射线照相术进行特征描述仍然是一个挑战。本文通过深度学习获得的描述子和手工描述子来表征钙化。我们比较了不同图像特征集在数字乳房X线照片上的性能。特征集包括单独的深层特征、手工特征、它们的组合以及过滤的深层特征。实验结果表明，深度特征优于手工特征，但手工特征可以为深度特征提供补充信息。使用过滤后的深度特征，我们获得了89.32%的分类精度和86.89%的灵敏度，这是所有特征集中性能最好的。 MSC公司： 92 C55 生物医学成像和信号处理 68吨10 模式识别、语音识别 92-08 生物问题的计算方法 关键词：乳腺微钙化诊断；深度卷积神经网络；乳房X射线照相术 软件：ImageNet公司；AlexNet公司；t-SNE公司；更快的R-CNN；卡费 PDF格式BibTeX公司 XML格式引用 \textit{H.Cai}等人，计算。数学。方法医学2019，文章ID 2717454，10页（2019；Zbl 1423.92139） 全文： 内政部 参考文献： [1] Tabar，L。；Yen，M.-F。；维塔克，B。；陈海涛。；Smith，R.A。；Duffy，S.W.，《乳腺癌患者乳腺造影服务筛查与死亡率：筛查前后20年随访》，《柳叶刀》，36193671405-1410（2003）·doi:10.1016/s0140-6736（03）13143-1 [2] 马云（Ma，Y.）。；泰伊，P.C。；Adams，R.D.，《用于分类微钙化的新型形状特征》，IEEE图像处理国际会议论文集 [3] Sankar博士。；Thomas，T.，检测乳房X光片中微钙化的一种新的快速分形建模方法，《数字成像杂志》，23，5，538-546（2009）·doi:10.1007/s10278-009-9224-6 [4] 刘，G。；张，F。；Hu，Y.，白种人和中国人多发性硬化风险途径不同，《神经免疫学杂志》，30763-68（2017）·doi:10.1016/j.jneuroim.2017.03.012 [5] 姜强。；Jin，S。；Jiang，Y.，具有全基因组意义的阿尔茨海默病变体在免疫途径中显著丰富，在免疫细胞中活跃，分子神经生物学，54，1，594-600（2016）·doi:10.1007/s12035-015-9670-8 [6] Cheng，H.D。；蔡，X。；陈，X。；胡，L。；Lou，X.，《乳房X光片中微钙化的计算机辅助检测和分类：一项调查》，模式识别，36，12，2967-2991（2003）·Zbl 1058.68621号 ·doi:10.1016/s0031-3203（03）00192-4 [7] 沈，L。；Rangayyan，R.M。；Desautels，J.L.，形状分析在乳腺钙化中的应用，IEEE医学成像学报，13，2，263-274（1994）·doi:10.1109/42.293919 [8] 罗伯茨，D。；Whitehouse，N.，使用数学形态学对乳房X光片上的微钙化进行分割和数值分析，英国放射学杂志，70，837，903-917（1997）·doi:10.1259/bjr.70.837.9486066 [9] Dhawan，A.P。；布埃洛尼，G。；Gordon，R.，对“通过最佳自适应邻域图像处理增强乳房X线特征”的修正，IEEE医学成像学报，5，2，120（1986）·doi:10.1109/tmi.1986.4307756 [10] Shin，H.-C。；Roth，H.R。；Gao，M.，用于计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和传输学习，IEEE医学成像学报，35，5，1285-1298（2016）·doi:10.1109/tmi.2016.2528162 [11] 阿雷瓦洛，J。；Lopez，M.A.G.，利用卷积神经网络进行乳腺造影肿块病变分类的表示学习，生物医学中的计算机方法和程序，127，248-257（2016）·doi:10.1016/j.cmpb.2015.014 [12] Kooi，T。；Litjens，G。；van Ginneken，B.，计算机辅助检测乳腺病变的大规模深度学习，医学图像分析，35，303-312（2017）·doi:10.1016/j.media.2016.07.007 [13] 卡伦伯格，M。；彼得森，K。；Nielsen，M.，无监督深度学习应用于乳腺密度分割和乳房X光风险评分，IEEE医学成像汇刊，35，51322-1331（2016）·doi:10.1109/tmi.2016.2532122 [14] Phadke，A.C。；Rege，P.P.，《使用离散小波变换检测和分类微钙化》，《计算机科学新兴趋势与技术国际期刊》，2，4，130-134（2013） [15] Boulehmi，H。；马赫西亚，H。；Hamrouni，K.，《乳腺微钙化诊断的新CAD系统》，《国际高级计算机科学与应用杂志》，7，4，133-143（2016）·doi:10.14569/ijacsa.2016.070417 [16] 贝克尔，A.S。；Marcon，M。；加富尔，S。；Wurnig，M.C。；弗劳恩费尔德，T。；Boss，A.，《乳腺X射线照相术深度学习》，研究放射学，52，7，434-440（2017）·doi:10.1097/rli.000000000000358 [17] Dhungel，N。；卡内罗，G。；Bradley，A.P.，《使用最小用户干预对乳房X光照片中肿块进行分析的深度学习方法》，《医学图像分析》，37，114-128（2017）·doi:10.1016/j.media.2017.01.009 [18] Akselrod-Ballin，A。；卡林斯基，L。；阿尔伯特，S。；哈苏尔，S。；Ben-Ari，R。；Barkan，E.，乳腺钼靶摄影术中肿瘤检测和分类的基于区域的卷积网络，医学应用的深度学习和数据标记，197-205（2016），德国柏林：德国柏林斯普林格 [19] 焦，Z。；高，X。；Wang，Y。；Li，J.，《基于深度特征的乳腺肿块分类框架》，神经计算，197，221-231（2016）·doi:10.1016/j.neucom.2016.02.060 [20] Wang，J。；杨，X。；蔡，H。；Tan，W。；Jin，C。；Li，L.，通过深度学习对乳腺癌微钙化的鉴别，科学报告，6，1（2016）·doi:10.1038/srep27327 [21] Ren，S。；He，K。；Girshick，R.，《更快的R-CNN：利用区域提议网络实现实时目标检测》，https://arxiv.org/abs/1506.01497 [22] 里比利，D。；Horváth，A。；Unger，Z.，《利用深度学习检测和分类乳房X光片中的病变》，科学报告，8，1，4165（2018）·doi:10.1038/s41598-018-22437-z [23] 莫雷拉，I.C。；阿马拉，I。；多明格斯一世。；Cardoso，A。；Cardoso，M.J。；Cardoso，J.S.，《乳房内部：走向全视野数字乳房X光摄影数据库》，学术放射学，19，22336-248（2012）·doi:10.1016/j.acra.2011.09.014 [24] Wang，J。；Yang，Y.，乳房X光片微钙化检测的上下文敏感深度学习方法，模式识别，78，12-22（2018）·doi:10.1016/j.patcog.2018.01.009 [25] Gillies，R.J。；Kinahan，体育。；Hricak，H.，《放射学：图像不仅仅是图片，它们是数据》，《放映学》，2782563-577（2016）·doi:10.1148/radiol.20151169 [26] Otsu，N.，灰度直方图阈值选择方法，IEEE系统、人与控制论汇刊，9，1，62-66（1979）·doi:10.1109/tsmc.1979.4310076 [27] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，深度卷积神经网络的图像网络分类，神经信息处理系统进展论文集 [28] 克里斯蒂安，S。；刘伟。；Jia，Y.，深入卷积，IEEE计算机视觉和模式识别会议论文集 [29] 邓，J。；Dong，W。；Socher，R.，《Imagenet:大规模分层图像数据库》，《计算机视觉与模式识别学报》，2009年 [30] Wei，X.，灰度运行长度矩阵工具箱v1。0.软件（2007），中国北京：北京航空技术研究中心，中国北京 [31] Chu，A。；塞格尔，C.M。；Greenleaf，J.F.，纹理分析中游程的灰度值分布的使用，模式识别字母，11，6，415-419（1990）·Zbl 0825.68570号 ·doi:10.1016/0167-8655（90）90112-f [32] Mohanty，A.K。；贝贝塔，S。；Lenka，S.K.，使用基于GLCM和GLRLM的乳房X光片纹理特征对良性和恶性肿块进行分类，《国际工程研究与应用杂志》，1687-693（2011） [33] Haghighat，M。；Abdel-Mottaleb，M。；Alhalabi，W.，《无约束环境中的全自动人脸归一化和单样本人脸识别》，应用专家系统，47，23-34（2016）·doi:10.1016/j.eswa.2015.10.47 [34] 巴扎尼，A。；Bevilacqua，A。；Bollini，D.，《数字乳房X光照片中从微钙化中分离虚假信号的SVM分类器》，《医学和生物学中的物理》，46，6，1651-1663（2001）·doi:10.1088/0031-9155/46/6/305 [35] Ren，J.，ANN vs.SVM：在乳房X光成像中，哪一种方法在MCC分类中表现更好，基于知识的系统，26，144-153（2012）·doi:10.1016/j.knosys.2011.07.016 [36] 贾毅。；Evan，S.，Caffe:快速特征嵌入的卷积结构，第22届ACM多媒体国际会议论文集 [37] Pratier，S。；Chattoraj，S.，从组织病理学图像中对乳腺癌进行稳健分类的流形学习和堆叠稀疏自动编码器，https://arxiv.org/abs/11806.06876 [38] Bayramoglu，N。；坎纳拉，J。；Heikkilä，J.，《放大无关乳腺癌组织病理学图像分类的深度学习》，第23届模式识别国际会议论文集 [39] Han，Z。；魏，B。；郑毅，基于组织病理学图像的乳腺癌多分类与结构化深度学习模型，科学报告，7，1，4172（2017）·doi:10.1038/s41598-017-04075-z [40] 迪米特罗普洛斯，K。；巴姆普提斯，P。；齐奥加，C。；卡马斯，A。；Patsiaoura，K。；Grammalidis，N.，通过Grassmannian VLAD编码对浸润性乳腺癌进行分级，PloS One，12，9（2017）·doi:10.1371/journal.pone.0185110 [41] Maaten，L.V.D。；Hinton，G.，使用t-SNE可视化数据，机器学习研究杂志，92579-2605（2008）·兹比尔1225.68219 [42] 周，B。；科斯拉，A。；Lapedriza，A.，目标探测器出现在深场景CNN中，https://arxiv.org/abs/1412.6856 [43] 荣格，H。；Kim，B。；Lee，I.，使用基于深度卷积神经网络的一级目标检测器检测乳房X光片中的肿块，PloS one，13，9（2018）·doi:10.1371/journal.pone.0203355 [44] Lin，T.Y。；戈亚尔，P。；Girshick，R。；He，K。；Dollar，P.，稠密目标检测的焦点损失，2017年IEEE计算机视觉国际会议（ICCV）论文集 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。