GMIC:一种基于弱监督定位的高分辨率乳腺癌筛查图像可解释分类器

使用弱监督定位的高分辨率乳腺癌筛查图像的可解释分类器 介绍 这是中所述的全局感知多实例分类器（GMIC）模型的实现。 建议模型的架构如下所示。 GMIC的亮点： 高精度：GMIC优于ResNet-34和Faster R-CNN。 高效率：相比于RESNET-34，GMIC具有较少的28.8％的参数，使用较少的78.43％GPU存储器，并且推理过程中4.1倍更快，在训练期间5.6倍快。 弱监督的病变定位：尽管仅使用图像级标签进行训练以表明存在任何良性或恶性病变，但GMIC仍能够生成像素级显着性图（如下所示），以提供额外的解释性。 该实现允许用户通过应用我们的预训练模型之一来获得乳腺癌预测和显着性图的可视化。 我们提供5种GMIC-ResNet-18型号的砝码。 该模型在PyTorch中实现。 输入：裁剪为2944 x 1920的乳腺摄影图像，并另存为16位png文件。 作为此存储