文献 Application of deep learning tothe diagnosis of cervical lymph node metastasis from thyroid阅读笔记
文献 2019.02-Deep learning in the diagnostic assessment of cervical lymph node metastasis from thyroid cancer using CT imaging: A reading note
该论文的研究目标是借助CAD系统实现甲状腺癌颈淋巴结转移的CT影像诊断。通过8种不同的CNN模型对图像进行分类划分成转移性或非转移性淋巴结。在ImageNet平台使用已训练好的网络模型选择性能最优的算法。采用全局平均池化策略通过注意力热图展示关键区域的分类差异。
采用包含VGG16、VGG19、Xception、InceptionV3、InceptionResNetV2、DenseNet121、DenseNet169以及ResNet在内的8个不同类型的主流深度学习框架作为ImageNet数据集上的预训练基础结构
使用CAM可视化
本论文方法框架：
基于深度学习框架Keras (https://keras.io/)和TensorFlow作为机器学习后端构建的所有训练过程。其中批次大小配置为30，并设置了初始学习率为0.005；当在验证数据集上未观察到持续下降的趋势时，则将当前的学习率降低了9倍（即变为原来的十分之一）。利用R统计软件中的pROC软件包完成受试者工作特性曲线图及其结果分析
结果：
CAM能够生成并显示良性和转移性淋巴结的关注热图，并将其叠加于原始CT图像上进行比较分析。如图所示，在展示实际淋巴结位置与模型预测区域之间的对比中可以看出该模式识别机制能够有效识别恶性肿瘤的异常特征，并据此作为淋巴肉瘤分期（LNM）分类的基础依据。
注意类激活映射绘制的热图（CAM）。红色标注突出了区分良性和转移性淋巴结的关键点。其重点标记了良性的导管主干血管(a)，在局部增强或广泛分布的情况下突出显示转移淋巴结(b). 通过生成的关注力热图（CAM），显著地增强了对模型行为的理解能力。通常难以解析输入数据与模型预测结果之间的内在关联关系。然而通过分析这些热点区域可以推断出模型关注哪些部位。
讨论：
该模型不专为颈部淋巴结的定位而开发。用户应进行淋巴结在CT影像中的识别，并将图像导入CAD系统。
关于CAM 和 GAP，请参阅以下文章链接：https://www.cnblogs.com/luofeel/p/10400954.html