使用深度卷积神经网络和颜色转换的迁移学习在超声乳腺肿块分类中的应用

使用深度卷积神经网络和颜色转换的迁移学习在超声乳腺肿块分类中的应用

Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion

Purpose: 我们提出了一种基于深度学习的超声乳腺肿块分类方法，并将其与四位经验丰富，采用乳腺影像学报告和数据系统第四版词典和评估方案的放射科医生的评估进行比较。

Methods: 基于一组882张乳腺肿块超声图像，采用多种迁移学习技术开发分类器。此外，我们引入了匹配层的概念。这一层的目的是重新调整灰度超声图像的像素强度，并将这些图像转换为红、绿、蓝(RGB)，以更有效地利用在ImageNet数据集上预先训练卷积神经网络的鉴别能力。我们介绍在使用反向传播进行微调期间如何确定这种转换。接下来，我们比较了有颜色转换和没有颜色转换的迁移学习技术的性能。为了证明我们方法的有效性，我们使用两个公开的数据集对其进行了额外的评估。

Results: 颜色转换增加了每一种转移学习方法的接收器工作曲线下的面积（AUC）。为了更好的执行利用微调和匹配层的方法，在150个案例的测试集上，曲线下面积等于0.936。放射科医师阅读同一组病例时，曲线下面积从0.806到0.882。在两个独立数据集的情况下，利用所提出的方法，我们得到的曲线下面积约0.890。

Conclusions: 匹配层的概念是可推广的，可以用来提高使用深度卷积神经网络的转移学习技术的整体性能。当作为一种临床工具得到充分发展时，本文提出的方法有潜力帮助放射科医师在超声中进行乳腺肿块分类。© 2018 American Association of Physicists in Medicine [do