這篇論文自己還不是特別理解，僅記錄自己的看法。
參考鏈接：https://blog.csdn.net/weixin_42402739/article/details/101449921
1.首先，作者提出了一些現有的問題：
太繁瑣的註釋會對標籤造成額外的錯誤
病竈邊緣不清晰
CAD受到圖像成像協議和噪聲影響
標註成本高
結合以上問題和目前的乳腺癌診斷需求，作者提出了稱爲卷積神經網絡的乳腺癌分類改進算法（CNNI-BCC），以幫助醫學專家及時通過X線攝影診斷乳腺癌。 CNNI-BCC使用卷積神經網絡來改善乳腺癌病變分類，以幫助專家診斷乳腺癌。達到的敏感性，準確性，AUC和特異性分別爲89.47％，90.50％，0.901±0.0314和90.71％。
2.主要貢獻有：
提出分類效果很好的神經網絡；
Interactive detection based lesion locator (IDBLL)，也就是建議通過設計的基於交互檢測的病變定位器（IDBLL）檢測病變。
3.論文方法的優點有：
（1）將圖像分解爲補丁；
（2）基於補丁的方法允許通過遮蓋某些區域來處理圖像中的非矩形區域，而只需從集合中排除補丁即可；
（3）組合的預訓練的CNN可以對小數據集進行訓練；
（4）提出的CNNI-BCC利用補丁特徵相關性來檢測和分類病變區域和類別。
4.方法
(a) feature wise pre-processing (FWP), 這一部分指的是數據預處理，作者對圖像進行了patch劃分和旋轉，因此每張圖像會產生8個patch，完整圖像是1024*1024，patch是128*128；
(b) convolutional neural network (CNN) -based classification (CNNBS)；在卷積的過程中，作者用到了depth separable convolution，分爲：depth wise卷積和point wise卷積。DW完成後feature map數量等於通道數，單獨對每個通道卷積沒有很好利用不同通道上的相同空間的feature，所以PW來組合生成新的特徵。
(c) interactive detection based lesion locator (IDBLL). 作者採用默認邊界框與註釋匹配，以在區域中給出正值。 因此，背景和非相關區域被給予負強度值。這樣可以區分乳腺區域和背景。