ESTAN:用于乳腺超声图像分割的增强型小肿瘤感知网络

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。

[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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/791343.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

让php开发更优雅-Laravel篇

前言 随着开发经验的增加,也伴随团队开发的积累,规范开发显得越来越重要,本文给大家提供一些laravel开发的进阶思路和经验,让大家开发更加统一规范,代码看起来更加优雅。 1.更多使用第三方库。团队开发的时候&#xf…

Claude-3全解析:图片问答,专业写作能力显著领先GPT-4

人工智能技术的飞速发展正在深刻改变着我们的工作和生活方式。作为一名资深的技术爱好者,我最近有幸体验了备受瞩目的AI助手Claude-3。这款由Anthropic公司推出的新一代智能工具展现出了非凡的实力,尤其在图像识别和专业写作领域的表现更是让人眼前一亮&…

JavaScript基础代码练习之冒泡排序

一、要求对一个数组进行冒泡排序&#xff0c;并将排序后的结果输出到控制台。在代码中&#xff0c;数组 arr 包含了一组数字&#xff0c;然后使用嵌套的循环来进行冒泡排序。 二、编写代码 <!DOCTYPE html> <html lang"en"><head><meta chars…

【记录】海康相机(SDK)二次开发时的错误码

海康相机&#xff08;SDK&#xff09;二次开发时的错误码 在进行海康sdk二次开发的时候&#xff0c;经常碰到各种错误&#xff0c;遂结合官方文档和广大网友的一些经验&#xff0c;把这些错误码记录一下&#xff0c;方便查找。笔者使用的SDK版本是HCNetSDKV6.1.9.4。 错误类型…

软件测试用例(2)

具体的设计方法 -- 黑盒测试 因果图 因果图是一种简化的逻辑图, 能直观地表明程序的输入条件(原因)和输出动作(结果)之间的相互关系. 因果图法是借助图形来设计测试用例的一种系统方法, 特别适用于被测试程序具有多种输入条件, 程序的输出又依赖于输入条件的各种情况. 因果图…

Flink SQL系列之:基于Flink SQL查询Topic中序列化的Debezium数据格式字段

Flink SQL系列之:基于Flink SQL查询Topic中序列化的Debezium数据格式字段 一、表结构二、查询Topic中表的数据三、反序列化字段一、表结构 CREATE TABLE IF NOT EXISTS record_rt (id decimal(20,0) COMMENT "主键",follow_entity_type <

深挖苹果Find My技术,伦茨科技ST17H6x芯片赋予产品功能

苹果发布AirTag发布以来&#xff0c;大家都更加注重物品的防丢&#xff0c;苹果的 Find My 就可以查找 iPhone、Mac、AirPods、Apple Watch&#xff0c;如今的Find My已经不单单可以查找苹果的设备&#xff0c;随着第三方设备的加入&#xff0c;将丰富Find My Network的版图。产…

fastadmin学习08-查询数据渲染到前端

index.php查询&#xff0c;这个是前台的index.php public function index() {$slideImgs Db::name("slideimg")->where("status",,normal)->limit(5)->order(sort,desc)->select();$productList Db::name("product")->where(…

python的垃圾回收

引用计数器为主&#xff0c;标记清除和分代回收为辅 1 引用计数器 在python程序运行时&#xff0c;会根据数据类型的不同找到其对应的结构体&#xff0c;根据结构体中的字段来进行创建相关的数据&#xff0c;然后将对象添加到refchain双像链表中&#xff0c;每个对象中的ob_re…

Java中生成JWT令牌

1. 在pom.xml中引入依赖 <dependency><groupId>io.jsonwebtoken</groupId><artifactId>jjwt</artifactId><version>0.9.1</version> </dependency> 2. 使用Jwts的相关方法生成令牌 import io.jsonwebtoken.Jwts; import io.…

计算机应用 1.4网络分类

一、计算机网络的分类 1.按距离分 ①局域网&#xff1a;范围小、传输速率高、误码率低、网络延迟小。 ②广域网&#xff1a;范围广、传输速率低、误码率高、网络延迟大。 ③城域网&#xff1a;特点位于上面两者之间。 2.按拓扑结构分 ①星型网&#xff1b;②环型网&#…

【单片机家电产品学习记录--蜂鸣器】

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 单片机家电产品–蜂鸣器 前言 记录学习单片机家电产品内容 已转载记录为主 一、知识点 1电子电路学习笔记&#xff08;17&#xff09;——蜂鸣器 蜂鸣器种类和原理 2疑…

虹科Pico汽车示波器 | 免拆诊断案例 | 2019款别克GL8豪华商务车前照灯水平调节故障

一、故障现象 一辆2019款别克GL8豪华商务车&#xff0c;搭载LTG发动机&#xff0c;累计行驶里程约为10.7万km。车主反映&#xff0c;车辆行驶过程中组合仪表提示前照灯水平调节故障。 二、故障诊断 接车后试车&#xff0c;起动发动机&#xff0c;组合仪表上提示“前照灯水平…

20.安全性测试与评估

每年都会涉及&#xff1b;可能会考大题&#xff1b;多记&#xff01;&#xff01;&#xff01; 典型考点&#xff1a;sql注入、xss&#xff1b; 从2个方面记&#xff1a; 1、测试对象的功能、性能&#xff1b; 2、相关设备的工作原理&#xff1b; 如防火墙&#xff0c;要了解防…

各类系统业务功能架构图整理

一、前言 很多软件系统一直经久不衰&#xff0c;主要这些系统都是一些生产工作经营不可或缺的系统。比如财务系统&#xff0c;商城系统&#xff0c;支付系统&#xff0c;供应链系统&#xff0c;人力资源管理系统&#xff0c;ERP系统等等。这些系统不管大公司还是小公司往往都需…

海外媒体宣发:如何利用6种链游媒体宣发方式推广游戏-华媒舍

在如今的游戏产业中&#xff0c;游戏宣发是非常重要的一环。而链游&#xff08;即以网游为主的游戏&#xff09;的媒体宣发方式在推广游戏中具有重要地位。本文将介绍6种链游媒体宣发方式&#xff0c;帮助游戏开发者和宣发人员更好地推广自己的游戏。 1. 游戏新闻稿 游戏新闻稿…

【科研笔记】知识星球不可选择内容爬虫

知识星球不可选择内容爬虫 1 背景2 实现3 拓展遗留问题1 背景 针对与知识星球中,电脑打开网页不可选择复制粘贴的问题,进行爬虫处理,获取网页的内容,并保存在本地 2 实现 需要下载python,和爬虫的第三方库selenium,可以查看博客中有关selenium的内容进行回顾。当前使用…

【多线程】震惊~这是我见过最详细的ReentrantLock的讲解

一.与synchronized相比ReentrantLock具有以下四个特点: 可中断&#xff1a;synchronized只能等待同步代码块执行结束&#xff0c;不可以中断&#xff0c;强行终断会抛出异常, 而reentrantlock可以调用线程的interrupt方法来中断等待&#xff0c;继续执行下面的代码。 在获取锁…

Windows 禁用 Defender

原文&#xff1a;https://blog.iyatt.com/?p8078 2024.4.4 Windows 11 专业版 23H2 Beta 预览版 进入安全中心&#xff0c;关闭所有&#xff0c;特别是篡改防护选项 打开注册表 地址栏粘粘路径 计算机\HKEY_LOCAL_MACHINE\SOFTWARE\Policies\Microsoft\Windows Defende…

IO和NIO的主要区别在哪里?

Java 中的 IO&#xff08;输入/输出&#xff09;和 NIO&#xff08;新输入/输出&#xff09;都是处理输入和输出操作的方式&#xff0c;它们的主要区别在于如何处理数据的读写。 阻塞与非阻塞: IO是阻塞的&#xff0c;这意味着当一个线程调用read()或write()时&#xff0c;该线…