Cross-Domain Transfer Learning Architecture for Microcalcification Cluster Detection Using the MEXBreast Multiresolution Mammography Dataset

Abstract

Proponemos una red neuronal convolucional (CNN) entrenada con mamografías digitales en tres resoluciones comunes: 50, 70 y 100 μm. La arquitectura procesa parches individuales de 1 cm² extraídos de las mamografías como muestras de entrada e incluye una red base MobileNetV2, seguida de una capa de aplanamiento, una capa densa y una función de activación sigmoide. Esta arquitectura fue entrenada para detectar grupos de microcalcificaciones (MCCs) utilizando parches extraídos de la base de datos INbreast, que tiene una resolución de 70 μm, y alcanzó una precisión del 99.84%. Aplicamos aprendizaje por transferencia (TL, por sus siglas en inglés) y entrenamos con parches de 50, 70 y 100 μm de resolución provenientes de la base de datos MEXBreast, logrando precisiones de 98.32%, 99.27% y 89.17%, respectivamente. Para fines de comparación, los modelos entrenados desde cero, sin aprovechar el conocimiento del modelo preentrenado, alcanzaron precisiones de 96.07%, 99.20% y 83.59% para resoluciones de 50, 70 y 100 μm, respectivamente. Los resultados demuestran que el aprendizaje por transferencia mejora la detección de MCCs en distintas resoluciones al reutilizar el conocimiento preentrenado.