1. Обзор методов скрининга рака молочной железы: термография и электроимпедансная томография (arXiv)

Автор:Хуан Сулуага-Гомес, Н. Зерхуни, З. Аль Масри, С. Девалланд, К. Варнье

Аннотация:Рак молочной железы — это заболевание, которое угрожает жизни многих женщин, поэтому раннее и точное выявление играет ключевую роль в снижении уровня смертности. Маммография выступает в качестве эталонного метода скрининга рака молочной железы; тем не менее, во многих странах до сих пор нет доступа к маммографии из-за экономических, социальных и культурных проблем. Последние достижения в вычислительных инструментах, инфракрасных камерах и устройствах для количественной оценки биоимпеданса позволили разработать параллельные методы, такие как термография, инфракрасное изображение и электроимпедансная томография, которые были быстрее, надежнее и дешевле. В последние десятилетия они считались дополнительными процедурами для диагностики рака молочной железы, и многие исследования пришли к выводу, что частота ложноположительных и ложноотрицательных результатов значительно снижается. Эта работа направлена ​​на обзор последних достижений в отношении трех вышеупомянутых методов, описывающих преимущества смешивания нескольких вычислительных навыков для повышения общей производительности. Кроме того, мы приводим сравнение между несколькими методами машинного обучения, применяемыми для диагностики рака молочной железы, от логистической регрессии, деревьев решений и случайного леса до искусственных, глубоких и сверточных нейронных сетей. Наконец, упоминается несколько рекомендаций по 3D-моделированию груди, методам предварительной обработки, биомедицинским устройствам в области исследований, прогнозированию местоположения и размера опухоли.

2. Сверточная нейронная сеть на основе трансферного обучения для скрининга рака молочной железы (arXiv)

Автор:Хуссин Рагб, Редха Али, Эльфорджани Джера, Наги Буаосса

Аннотация:Рак молочной железы является наиболее распространенным видом рака в мире и самой распространенной причиной смерти женщин во всем мире. Тем не менее, это также одно из наиболее поддающихся лечению злокачественных новообразований, если оно обнаружено на ранней стадии. В этой статье предлагается алгоритм на основе глубокой сверточной нейронной сети, который помогает точно идентифицировать рак молочной железы по ультразвуковым изображениям. В этом алгоритме несколько нейронных сетей объединяются в параллельную архитектуру для выполнения процесса классификации, а критерии голосования применяются при окончательном решении о классификации между классами объектов-кандидатов, где выходные данные каждой нейронной сети представляют один голос. Было проведено несколько экспериментов с набором данных УЗИ молочной железы, состоящим из 537 доброкачественных, 360 злокачественных и 133 нормальных изображений. Эти эксперименты показывают оптимистичный результат и способность предложенной модели превзойти многие современные алгоритмы по нескольким параметрам. Используя k-кратную перекрестную проверку и ансамбль классификаторов пакетов, мы достигли точности 99,5% и чувствительности 99,6%.

3. Глубокие ожидания — максимизация для полуконтролируемого скрининга рака легких (arXiv)

Автор: Сумит Менон, Дэвид Чепмен, Фыонг Нгуен, Елена Йеша, Майкл Моррис, Бабак Сабури.

Аннотация: мы представляем полууправляемый алгоритм скрининга рака легких, в котором трехмерная сверточная нейронная сеть (CNN) обучается с использованием метаалгоритма максимизации ожидания (EM). Полууправляемое обучение позволяет комбинировать меньший помеченный набор данных с неразмеченным набором данных, чтобы получить более крупную и разнообразную обучающую выборку. EM позволяет алгоритму одновременно вычислять оценку максимального правдоподобия обучающих коэффициентов CNN вместе с метками для неразмеченного обучающего набора, которые определяются как пространство скрытых переменных. Мы оцениваем производительность модели алгоритма Semi-Supervised EM для CNN посредством междоменного обучения набора данных Kaggle Data Science Bowl 2017 (Kaggle17) с набором данных National Lung Screening Trial (NLST). Наши результаты показывают, что полуконтролируемый алгоритм EM значительно повышает точность классификации междоменного скрининга рака легких, хотя результаты ниже, чем при полностью контролируемом подходе с преимуществом дополнительных помеченных данных из неконтролируемой выборки. Таким образом, мы демонстрируем, что Semi-Supervised EM является ценным методом для повышения точности моделей скрининга рака легких с использованием 3D CNN.