当前位置：首页 > news >正文

网站如何做微信支付宝支付外链群发软件

news 2025/8/20 9:13:30

网站如何做微信支付宝支付,外链群发软件,怎么做下载类的网站吗,成全视频免费高清观看在线播放下载最好的技术之一进行了两次迁移学习：第一种是使用在自然图像上训练的模型来创建“块分类器”，对子图像进行分类；第二种是使用块分类器扫描整个乳房 X 光检查并创建“单视图全图像分类器”。建议进行第三次迁移学习，以获得一个“双视图分类器”，以使用两个乳房 X 光检查视图…

最好的技术之一进行了两次迁移学习：第一种是使用在自然图像上训练的模型来创建“块分类器”，对子图像进行分类；第二种是使用块分类器扫描整个乳房 X 光检查并创建“单视图全图像分类器”。建议进行第三次迁移学习，以获得一个“双视图分类器”，以使用两个乳房 X 光检查视图：双侧头尾和内外斜向。

使用 EfficientNet 作为模型的基础。使用 CBIS-DDSM 数据集对整个系统进行“端到端”训练。为了确保统计稳健性，我们使用以下方法对系统进行了两次测试：(a) 5 倍交叉验证；(b) 数据集的原始训练/测试划分。使用 5 倍交叉验证达到了 0.9344 的 AUC（在 ROC 的等错误率点上，准确度、灵敏度和特异性为 85.13%）。使用原始数据集划分，技术实现了 0.8483 的 AUC。

1. 引言

乳房 X 线照片必须由经验丰富的放射科医生进行解读，以降低错误率。

在自然图像中，定义图像类别的目标占据了很大的区域。这不会发生在乳房 X 光检查上，其中癌症组织可能只占据很小的区域。因此，直接训练 CNN 或进行传统的迁移学习来对乳房 X 光检查进行分类通常效果不佳。

Shen 等人 [4] 提出了一个克服这一挑战的好主意，即进行两次迁移学习。 第一个使用在 ImageNet [5] 自然图像上训练的模型来初始化“补丁分类器”，该分类器将小乳房 X 光片补丁分为五类：背景、良性钙化、恶性钙化、良性肿块和恶性肿块。第二个使用补丁分类器初始化“单视图全图像分类器”，该分类器使用具有癌症状态的整个乳房 X 光片进行端到端训练。换句话说，首先构建补丁分类器，因为它比构建整个图像分类器更容易。随后，补丁分类器扫描整个乳房 X 光片，生成描述乳房 X 光片每个区域存在不同类型病变的可能性的属性图。整个图像分类器使用这些图进行最终分类并进行端到端训练。

1.1 文章贡献

在本文中，提出了一些对 Shen 等人的方法的改进，以提高其性能：

原始技术使用 ResNet [6] 和 VGG [7] 作为基础模型。用较新的 EfficientNet [8] 替换了它们。
标准乳房 X 线摄影包括每个乳房的两个视图：双侧头尾 (CC) 和内外斜向 (MLO)。原始算法一次只处理一个视图，为了将两个视图考虑在内，它只是对独立处理的两个视图的分数取平均值。除了原来的两个视图之外，我们的技术还执行了第三个迁移学习，以将两个视图考虑在内。 使用单视图分类器初始化“双视图分类器”，然后使用具有癌症状态的双视图乳房 X 线摄影对整个系统（贴片、单视图和双视图分类器）进行端到端训练。

2. 文献综述

2.1 基于 CNN 的乳腺癌诊断

Kooi 等人 [12] 比较了使用最先进的经典方法、基于 CNN 的方法和放射科医生对乳房 X 线摄影 ROI 进行分类的结果。他们得出的结论是，CNN 的性能与放射科医生相当，并且优于经典方法。

Rodriguez 等人 [13] 使用来自美国和欧洲不同机构的 9 个数据集，将基于 CNN 的商业系统 (Transpara 1.4.0) 与 101 名放射科医生进行了比较。 AI 系统的 AUC 为 0.840，而放射科医生的平均 AUC 为 0.814。因此，AI 优于放射科医生的平均水平，但其表现不如最好的放射科医生。

Wu 等人 [16] 设计了一个四视图深度学习。使用 4 个视图预测癌症的 AUC 为 0.895，高于放射科医生的平均 AUC 0.778。虽然 Wu 等人的工作和我们的工作都使用多视图对癌症进行分类，但存在根本差异，我们将在第 IV-C4 节中解释。

2.2 公共乳房X光检查数据集

DDSM [17] 是最大的公共乳房 X 线照片数据集，包含 2,620 次检查，包含正常、良性和恶性病例以及经过验证的病理信息。 CBIS-DDSM [18] 是 DDSM 的更新和精选版本，经过组织以使其更易于使用。它包含 3,103 张乳房 X 线照片。表 1 总结了此数据集中的乳房 X 线照片数量。

InBreast 公开数据集仅包含 115 个病例，共 410 张图像 [19]，规模太小，无法用于深度学习。

最近发布的公开数据集 CSAW-M [20] 未将病变分为正常/良性/恶性类别，因此无法用于我们的研究。其他近期公开数据集（如 KAU-BCMD [21] 或 VinDr-Mammo [22]）缺乏经过验证的病理信息，在撰写本文时尚未完全可用。

2.3 比较 CAD 性能

当将 CBIS-DDSM 数据集随机划分为 5 个子集，并使用 4 个子集训练我们的双视图分类器并在剩余的集合上进行测试时，获得的 5 个 AUC 从 0.90 到 0.99 不等（4 个具有 TTA（数据增强）的模型，见表 5）。因此，如果在随机划分中很幸运，双视图分类器将达到惊人的 0.99 AUC，如果我们运气不好，它只会达到 0.90。这两个值都不能反映我们系统的真实性能。因此，使用随机训练/测试划分获得的结果不可靠。

使用 CBIS-DDSM 的官方训练/测试划分，获得的 AUC 非常小。Shen 等人 [4] 使用随机训练/测试划分获得