深度學習：乳腺 BI-RADS classification ,co-registration ,DoG
paper:BI-RADS Classification of breast cancer:A New pre-processing pineline for deep model training
- BI-RADS：7個分類 0-6
- dataset：InBreast
- pre-trained:Alexnet
- data augmentation :base on co-registraion is suggested,multi-scale enhancement based on difference of Gaussians outperformsusing by mirroing the image
input:original image or pyramid of scales or DoG
augmentation :no data augmentation or proposed method
imbalance:original proportion原始部分 or undersampling下采樣
1、流程：
2、影象擴增 n->n*(n-1)
3、DoG 一通道變成三通道
4、mean basolute error 平均絕對誤差
5、實驗結果
balance :yes or no :original proportion原始部分 or undersampling下采樣
名詞解釋
一、圖片金字塔 pyramid of scales image
影象resize
其實非常好理解，如上圖所示，我們將一層層的影象比喻為金字塔，層級越高，則影象尺寸越小，解析度越低。
兩種型別的金字塔：
- 高斯金字塔：用於下采樣，主要的影象金字塔；
- 拉普拉斯金字塔：用於重建影象，也就是預測殘差（我的理解是，因為小影象放大，必須插入一些畫素值，那這些畫素值是什麼才合適呢，那就得進行根據周圍畫素進行預測），對影象進行最大程度的還原。比如一幅小影象重建為一幅大影象，
影象金字塔有兩個高頻出現的名詞：上取樣和下采樣。現在說說他們倆。
- 上取樣：就是圖片放大（所謂上嘛，就是變大），使用PryUp函式
- 下采樣：就是圖片縮小（所謂下嘛，就是變小），使用PryDown函式
下采樣將步驟：
- 對影象進行高斯核心卷積
- 將所有偶數行和列去除
下采樣就是影象壓縮，會丟失影象資訊。
上取樣步驟：
- 將影象在每個方向放大為原來的兩倍，新增的行和列用0填充；
- 使用先前同樣的核心（乘以4）與放大後的影象卷積，獲得新增畫素的近似值。
上、下采樣都存在一個嚴重的問題，那就是影象變模糊了，因為縮放的過程中發生了資訊丟失的問題。要解決這個問題，就得看拉普拉斯金字塔了。
二、co-registration:影像融合
DoG:Difference of Gaussian 角點檢測
灰度影象增強和角點檢測的方法，其做法較簡單，證明較複雜，具體講解如下:
Difference of Gaussian(DOG)是高斯函式的差分。可以通過將影象與高斯函式進行卷積得到一幅影象的低通濾波結果，即去噪過程，這裡的Gaussian和高斯低通濾波器的高斯一樣，是一個函式，即為正態分佈函式。
那麼difference of Gaussian 即高斯函式差分是兩幅高斯影象的差，
一維表示：
二維表示：
具體到影象處理來講，就是將兩幅影象在不同引數下的高斯濾波結果相減，得到DoG圖。
1. 處理一幅影象在不同引數下的DoG
-
A = Process(Im, 0.3, 0.4, x); B = Process(Im, 0.6, 0.7, x); a = getExtrema(A, B, C, thresh);其中，
-
function [ out_img ] = Process( img, sig1, sig2, size )
是求影象DoG的結果，兩個高斯平滑引數分別為sig1和sig2,結果如下：
-
A = Process(Im, 0.3, 0.4, x);
- B = Process(Im, 0.6, 0.7, x);
- C = Process(Im, 0.7, 0.8, x);
2. 根據DOG求角點
Theory：DOG三維圖中的最大值和最小值點是角點
X標記當前畫素點，綠色的圈標記鄰接畫素點，用這個方式，最多檢測26個畫素點。X被標記為特徵點，如果它是所有鄰接畫素點的最大值或最小值點。
因此在上一步計算出的A,B,C三個DOG圖中求圖B中是極值的點，並標記（max:1;min:-1）
- a = getExtrema(A, B, C, thresh);
- figure;
- imshow(a, [-1 1]);
結果：
黑色為極小值，白色為極大值
最後在原圖上予以顯示：
就得到了一幅圖的DOG角點檢測結果。
三、mean basolute error 平均絕對誤差
1、顯著性目標檢測簡介
顯著性目標(Salient Object)：
當我們在看一張圖片時，注意力首先會落在我們所感興趣的物體部分。比如我們看到一張畫有羊吃草的影象時，我們一般會先注意草坪上的羊，而不是羊的背景，所以我們把該圖中的羊就定義為影象的顯著性目標。
顯著性目標檢測(Salient Object Detection)：
即讓計算機學會跟人類一樣，自動檢測並提取輸入影象中的顯著性目標。
評價指標(Evaluation Metrics)：
顯著性目標檢測演算法常用的評價指標有：平均絕對誤差(Mean Absolute Error, MAE)，PR曲線(Precision-Recall curves)以及F度量值(F-measure)。
這些度量指標我會依次介紹並程式設計實現，在本篇部落格中，主角是平均絕對誤差(Mean Absolute Error, MAE)。
2、Mean Absolute Error(MAE) 原理
MAE就是直接計算模型輸出的顯著性圖譜與Ground-truth 之間的平均絕對誤差，首先將兩者進行二值化，然後用下面的公式進行計算 [1]。
