ESTAN:用于乳腺超声图像分割的增强型小肿瘤感知网络

本文主要是介绍ESTAN:用于乳腺超声图像分割的增强型小肿瘤感知网络,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

ESTAN:用于乳腺超声图像分割的增强型小肿瘤感知网络

  • 摘要
  • 引言

ESTAN Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation

摘要

乳腺肿瘤分割是用于乳腺癌检测的计算机辅助诊断(CAD)系统中的关键任务,因为准确的肿瘤大小、形状和位置对于进一步的肿瘤量化和分类是重要的。然而,由于斑点噪声、患者之间不同的肿瘤形状和大小以及肿瘤样图像区域的存在,分割超声图像中的小肿瘤具有挑战性。最近,基于深度学习的方法在生物医学图像分析方面取得了巨大成功,但目前最先进的方法在分割小乳腺肿瘤方面表现不佳。在本文中,我们提出了一种新的深度神经网络架构,即增强型小肿瘤感知网络(ESTAN),以准确和鲁棒地分割乳腺肿瘤。增强的小肿瘤感知网络引入了两个编码器来提取和融合不同尺度的图像上下文信息,并利用行列内核来适应乳房解剖结构。我们比较了ESTAN和九种最先进的方法,在三个公共乳腺超声数据集上使用七个定量指标,即,BUSIS、数据集B和BUSI。实验结果表明,该方法在小肿瘤分割方面取得了最好的整体性能,优于其他所有方法。具体地,ESTAN在三个数据集上的Dice相似系数(DSC)分别为0.92、0.82和0.78;并且ESTAN在三个小肿瘤数据集上的DSC分别为0.89、0.80和0.81。

引言

乳腺超声(BUS)成像是一种有效的筛查方法,由于其无痛,非侵入性,非放射性和成本效益的性质。乳腺超声图像分割的目的是从图像中的正常乳腺组织中提取肿瘤区域。这是BUS计算机辅助诊断(CAD)系统中的一个重要步骤。然而,由于斑点噪声,图像质量差,以及可变的肿瘤形状和大小,准确的BUS图像分割是具有挑战性的。
根据美国国家癌症研究所的数据,在美国,如果乳腺癌在早期阶段被发现和治疗,相对生存率为99%,如果癌症已经扩散到身体的其他器官,则只有27%[1]。乳腺肿瘤的早期发现是降低死亡率的关键。然而,在早期阶段,大多数肿瘤都很小,在BUS图像中占据相对较小的区域。将它们与正常乳腺组织区分开来具有挑战性。因此,准确检测小肿瘤对于早期乳腺癌检测至关重要,可以改善临床决策,治疗计划和恢复。
BUS图像分割的方法可以分为传统方法和基于深度学习的方法。许多传统方法已用于BUS图像分割,例如阈值[15-21],区域生长[22,23]和分水岭[24,25]。尽管它们简单,但这些方法需要在提取特征方面的知识和专业知识,并且由于可扩展性差和对噪声的高敏感性,它们不鲁棒。关于BUS图像分割的全面回顾,请参阅[26]。
最近,已经开发了几种用于BUS图像分割的深度学习方法[2-14];表1列出了用于BUS图像分割的最新深度学习方法。Huang等人。[2]提出了一种模糊全卷积网络来执行BUS图像分割。采用模糊逻辑来解决BUS图像和特征图中的不确定性问题。对比度增强和小波特征作为预处理技术,以增加训练数据。通过模糊隶属度函数将增强的训练图像集和卷积层特征转换到模糊域中。背景信息和人体乳房结构被集成到条件随机场(CRF),以增强分割结果。雅普等人[3]评估了三种不同的深度学习方法的性能:基于补丁的LeNet,U-Net以及在两个BUS数据集(数据集A和数据集B)上使用预训练的AlexNet的迁移学习。迁移学习AlexNet在数据集A上的真阳性和F-measure指标方面优于所有其他指标,而基于补丁的LeNet在数据集B上的每图像假阳性指标方面取得了最佳结果。虽然结果表明,为其他任务设计的不同深度学习方法可以在BUS数据集上采用和训练,但所有方法都无法在两个数据集上实现所有评估指标的最佳结果。Amiri等人[4]研究了迁移学习和微调U-Net架构配置的重要性,以解决超声图像数据稀缺的问题。针对小型BUS数据集微调U-Net的浅层获得了最佳结果;然而,针对大型BUS数据集微调整个网络或浅层没有显著差异。请参阅[26,27]了解更多用于医学图像分割的深度学习方法。
下面展示一些 内联代码片

这个论文看一下
[2]提出了一种模糊全卷积网络来执行BUS图像分割。采用模糊逻辑来解决BUS图像和特征图中的不确定性问题
Huang,K.; Zhang, Y;Cheng,H.D.;Xing,P; Zhang,B.Fuzzy Semantic Segmentation of Breast Ultrasound Image with BreastAnatomy Constraints. arXio 2019, arXiv:1909.06645.
[7]提出了一种DFCN方法,该方法将扩张的全卷积网络与基于相位的活动轮廓(PBAC)模型相结合,以自动分割乳腺肿瘤。具有PBAC网络的DFCN对噪声和模糊边界具有更强的鲁棒性,并且成功地分割了具有大量阴影的肿瘤
Hu, Y.; Guo, Y.; Wang, Y.; Yu, J.; Li, J.; Zhou, S.; Chang, C. Automatic tumor segmentation in breast ultrasound images using a
dilated fully convolutional network combined with an active contour model. Med. Phys. 2018, 46, 215228. [CrossRef]
[9]提出了一种基于熵参数映射和注意力门控U-Net网络的BUS图像深度学习分割方法。该模型取得了很好的改善,但有不足的结果和分析,以显示熵图的意义

此外,Nair等人[5]提出了一种具有两个解码器的DNN,用于从原始单平面波通道数据创建BUS图像和分割掩码。这种方法显示出有希望的结果,其中分割掩模和B模式图像都是使用原始数据在单个网络中生成的。Zhuang等人[6]提出了一种基于U-Net架构的RDAU-Net模型,用于在BUS图像上执行肿瘤分割任务。在U-Net中,分别用膨胀的剩余块和注意门来代替基本块和原始的跳跃连接。RDAU-Net设计提高了模型的整体灵敏度和准确性。类似地,Hu等人[7]提出了一种DFCN方法,该方法将扩张的全卷积网络与基于相位的活动轮廓(PBAC)模型相结合,以自动分割乳腺肿瘤。具有PBAC网络的DFCN对噪声和模糊边界具有更强的鲁棒性,并且成功地分割了具有大量阴影的肿瘤。
此外,Vakanski等人。[8]将放射科医生的视觉注意力与U-Net模型相结合,以执行BUS分割。该模型设计了注意力块,以忽略显著性低的区域,并强调更多显著性高的区域。这项研究优于U-Net模型,并成功地将先验知识信息结合到卷积神经网络中。Byra等人。[9]提出了一种基于熵参数映射和注意力门控U-Net网络的BUS图像深度学习分割方法。该模型取得了很好的改善,但有不足的结果和分析,以显示熵图的意义。此外,Moon等人。[10]提出了一种用于CAD系统的集成CNN架构,包括在原始BUS图像,分割图像肿瘤,肿瘤掩模和融合图像上训练的多模型。通过结合原始图像、分割的肿瘤和肿瘤形状信息(TSI)来制备融合图像。结果表明,融合图像取得了最好的结果,在所有其他的,该研究提供了一个明确的指导,选择一个特定的数据集大小的方法。Lee等人。[11]提出了一种具有多尺度网格平均池的通道注意力模块,用于分割BUS图像。该方法利用了局部和全局信息,并取得了良好的整体分割性能。Chen等人[12]提出了双向关注和细化网络,他们将其添加到U形网络之上,以准确分割乳腺病变。然而,在小数据集上训练这样的网络使得处理过拟合/欠拟合问题变得具有挑战性。这些方法取得了良好的整体性能。然而,如图1所示,它们未能在分割小肿瘤方面实现良好的性能。首先,这些方法旨在使用为学习自然图像中的特征而开发的通用平方核来提高整体性能。其次,目前所有可用的BUS数据集都很小,大多数基于深度学习的方法都需要大量高质量的训练集。
这项工作的灵感来自于当前小目标检测和/或分割的进展,这是计算机视觉中的一项重要任务,因为它构成了许多图像相关任务的基础,例如遥感,场景理解,对象跟踪,实例和全景分割,航空航天检测和图像字幕。Chen等人。[28]提出了一种用于R-CNN算法的增强技术,具有上下文模型和小区域建议生成器,这是小对象检测的第一个基准数据集。Krishna等人。[29]设计了一个更快的R-CNN模型,采用了修改后的上采样技术,以提高小对象检测的性能。Guan等人。[30]提出了一种语义上下文感知网络(SCAN),它集成了位置融合模块和上下文融合模块来检测语义和上下文特征。Dong [31]提出了DenseU-Net架构,用于城市遥感图像中小对象的语义分割。它使用残差连接和具有中值频率平衡的加权焦点损失函数来提高小目标检测的性能。据我们所知,STAN [14]是第一个专门为小肿瘤分割设计的深度学习架构。采用三个跳跃连接和两个编码器从收缩部分的不同层提取多尺度上下文信息。小肿瘤感知网络在分割BUS图像中的小肿瘤方面优于其他深度学习方法。然而,它对小肿瘤的平均假阳性率(FPR)远大于对大肿瘤的FPR。

这篇关于ESTAN:用于乳腺超声图像分割的增强型小肿瘤感知网络的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/866907

相关文章

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

Linux系统之主机网络配置方式

《Linux系统之主机网络配置方式》:本文主要介绍Linux系统之主机网络配置方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、查看主机的网络参数1、查看主机名2、查看IP地址3、查看网关4、查看DNS二、配置网卡1、修改网卡配置文件2、nmcli工具【通用

C++字符串提取和分割的多种方法

《C++字符串提取和分割的多种方法》在C++编程中,字符串处理是一个常见的任务,尤其是在需要从字符串中提取特定数据时,本文将详细探讨如何使用C++标准库中的工具来提取和分割字符串,并分析不同方法的适用... 目录1. 字符串提取的基本方法1.1 使用 std::istringstream 和 >> 操作符示

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像

如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

《如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解》:本文主要介绍如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别的相关资料,描述了如何使用海康威视设备网络SD... 目录前言开发流程问题和解决方案dll库加载不到的问题老旧版本sdk不兼容的问题关键实现流程总结前言作为

使用Python实现批量分割PDF文件

《使用Python实现批量分割PDF文件》这篇文章主要为大家详细介绍了如何使用Python进行批量分割PDF文件功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、架构设计二、代码实现三、批量分割PDF文件四、总结本文将介绍如何使用python进js行批量分割PDF文件的方法

基于WinForm+Halcon实现图像缩放与交互功能

《基于WinForm+Halcon实现图像缩放与交互功能》本文主要讲述在WinForm中结合Halcon实现图像缩放、平移及实时显示灰度值等交互功能,包括初始化窗口的不同方式,以及通过特定事件添加相应... 目录前言初始化窗口添加图像缩放功能添加图像平移功能添加实时显示灰度值功能示例代码总结最后前言本文将

使用Python将长图片分割为若干张小图片

《使用Python将长图片分割为若干张小图片》这篇文章主要为大家详细介绍了如何使用Python将长图片分割为若干张小图片,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. python需求的任务2. Python代码的实现3. 代码修改的位置4. 运行结果1. Python需求

SSID究竟是什么? WiFi网络名称及工作方式解析

《SSID究竟是什么?WiFi网络名称及工作方式解析》SID可以看作是无线网络的名称,类似于有线网络中的网络名称或者路由器的名称,在无线网络中,设备通过SSID来识别和连接到特定的无线网络... 当提到 Wi-Fi 网络时,就避不开「SSID」这个术语。简单来说,SSID 就是 Wi-Fi 网络的名称。比如