[论文翻译]多视角超复数学习在乳腺癌筛查中的应用

摘要—传统上，用于乳腺癌分类的深度学习方法仅进行单视图分析。然而，由于乳腺X光检查视图间存在相关性，放射科医师会同时分析构成乳腺X光检查的所有四个视图，这些相关性为识别肿瘤提供了关键信息。鉴于此，一些研究开始提出多视图方法。然而，在此类现有架构中，乳腺X光视图被独立的卷积分支作为独立图像处理，从而丢失了它们之间的相关性。为克服这些限制，本文提出了一种基于参数化超复数神经网络的多视图乳腺癌分类方法。得益于超复数代数特性，我们的网络能够建模并利用构成乳腺X光的不同视图间的现有相关性，从而模拟临床医生的阅片过程。这是因为超复数网络既能像标准神经模型一样捕获全局属性，又能捕获实值网络无法建模的局部关系（即视图间相关性）。我们定义了处理双视图检查的架构PHResNets，以及处理四视图检查的架构PHYSEnet和PHYBOnet。通过在公开数据集上进行的广泛实验评估，我们证明所提模型明显优于实值对应模型和最先进方法，证实乳腺癌分类能从所提多视图架构中受益。我们还通过考虑不同基准测试及更精细的分割任务，评估了该方法在乳腺X光分析之外的泛化能力。实验完整复现所需的全部代码和预训练模型已开源：https://github.com/ispamm/PHBreast。