深度学习：乳腺论文 end2end patch->whole image

该论文提出了一种端到端训练方法，用于全图像乳腺癌筛查，采用全卷积设计。数据集为CBIS-DDSM（CC+MLO），进行了数据增强，包括753个钙化和891个肿块的标注。论文描述了基于patch的训练任务，分为五类（背景、钙化良性、钙化恶性、肿块良性、肿块恶性），并采用二分类方法（正常为0-2，异常为4-6）。定位方法为CAM，网络结构使用Vggnet或Resnet，并结合两分类任务。训练流程包括预训练ImageNet、基于patch的分类器训练以及whole image的训练，采用三种方法：全图标签分类、热图辅助分类和随机森林辅助分类。

该研究采用全身影像进行乳腺癌筛查，采用全卷积设计进行端到端训练。

数据集：CBIS-DDSM （CC+MLO）*(right +left) one person ==》 (753钙化)+（891肿块） 数据增扩

patch set

*s1: 1 ROI and 1 background within the same image
*s10: The ROI overlapping ratio is 0.9, with 10 patches and 10 backgrounds within the same image

任务 ：patch训练 （5类：背景，钙化良性，钙化恶性，肿块良性，肿块恶性）

二分分类：分为0-2和异常情况（4-6），其中3属于非分类处理

定位 ：CAM

网络结构 ： Vggnet /Resnet+two classification

一、训练流程：

中心思想 ：patch 训练分类器，再用whole image 去（训练+测试）

1、预训练 ImageNet

2、patch training: 通过掩码操作获取patch区域，并将五种不同类型的patch样本输入训练网络，完成5分类任务（基于实例标签）。将图像进行resize处理，使其尺寸为224x224。

3、image train : 三种方法： (image label)

通过 patch classifier 训练的 fc 层去除，实现 top layer + conv 的二分类功能。
引入 heatmap 和 fc 结合的模块，实现二分类目标。
引入 heatmap 和随机森林分类器，实现二分类任务。