[MICCAI2019] Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification

作者信息
Christoph Haarburger，RWTH Aachen University, Germany
MICCAI2019 ORAL
乳房肿瘤恶性良性二分类，一般方法需要先做肿瘤定位（目标检测），再联合提取的肿瘤部位patch做分类，但该方法会丢失影像全局信息。作者提出的方法，利用了curriculum learning ，考虑了全局信息，不需要分割label。

---

curriculum learning

顾名思义，人类学习新知识的方式是先学习简单概念，再学习复杂概念。类比之，curriculum learning即让网络先进行简单任务学习，学习到相应参数后，再进行更复杂任务学习。好处是降低训练难度，比较简单的网络也能进行复杂任务的推断。

Methods

具体到本文，分为两阶段，第一阶段，网络输入小的patch来训练分类；第二阶段，网络输入整个数据来训练分类。第一阶段作为一个过渡，让整个网络训练中参数学习能更容易些。

数据

本文收集了408个病人胸部影像，单乳房影像大小为256X256X32，第一阶段输入64x64x4，第二阶段输入全图。

结果

通过curriculum learning ， 将resnet18 的分类结果提升到了 SOA。

• 与核心方法无关的可视化分析
  

我的笔记

1、才疏学浅，没察觉出这篇文章的意义（证明了curriculum learning 的有效性 ？）。没有oral的价值
2、这种方法在比赛中都用烂了。
3、作者一直强调不需要用分割map，但faster rcnn不需要分割map也能做。
4、作者强调别的方法没有全局信息，但之前有工作在提取完疑似肿瘤patch后会将原图再输入到分类网络。
5、跑一些公共数据集？