论文部分内容阅读
乳腺癌是女性中最常见的癌症之一,早期的筛查以及诊断非常有意义。乳腺肿块是早期乳腺癌的主要表征之一,当前乳腺癌筛查最有效的手段是乳腺钼靶X线摄影检查。研究乳腺肿块分割算法,通过准确分割乳腺肿块,辅助医生判断乳腺肿块的良恶性,有助于提高患者的生存几率,具有重要的临床意义。
乳腺肿块通常具有形态大小多样且边缘不规则的特点。针对乳腺肿块形态大小多样的问题,设计并实现了基于U-Net模型的MU-Net模型,融合了残差网络结构和U-Net模型结构的特点,设置了六次下采样,以获取更高级的语义信息和更大的感受野,同时在下采样模块中采取先卷积后池化的策略来减少位置信息的丢失,使得模型对于多尺度乳腺肿块的分割性能有所提升。针对MU-Net模型分割结果不够细致的问题,研究级联网络结构的特点,设计并实现了采用六个不同采样深度的MU-Net模型级联而成的MDCasMU-Net模型,对应的采样次数由一到六,通过简单网络粗分割及复杂网络精分割,使得乳腺肿块的分割结果更精细化。针对不规则乳腺肿块边缘难分割的问题,研究多尺度乳腺肿块图像对模型的影响,设计并实现了两阶段级联训练方法,将不同尺寸的乳腺肿块图像作为两阶段模型的输入,通过增加乳腺肿块周围背景区域,令模型更熟悉背景,同时将第一阶段模型的预测结果加入第二阶段模型的输入,以减少背景区域带来的干扰,最终获得的乳腺肿块掩码的边界更加完整、平滑。针对训练样本较少的问题,设计并实现了直方图匹配数据增强方法,通过改变乳腺肿块图像的像素值分布,减少模型对高像素值点的依赖,从而显著提高了模型的鲁棒性。
为了验证该乳腺肿块分割算法的性能,在INbreast数据集上进行了性能评估,得到DSC、IOU、REC、SPC、Haus分别为0.9419、0.8917、0.9417、0.9963、9.4200的实验结果。相比于目前最好的算法结果,DSC提升了0.19个百分点,IOU提升了2个百分点,实现了目前最优越的乳腺肿块分割性能。
乳腺肿块通常具有形态大小多样且边缘不规则的特点。针对乳腺肿块形态大小多样的问题,设计并实现了基于U-Net模型的MU-Net模型,融合了残差网络结构和U-Net模型结构的特点,设置了六次下采样,以获取更高级的语义信息和更大的感受野,同时在下采样模块中采取先卷积后池化的策略来减少位置信息的丢失,使得模型对于多尺度乳腺肿块的分割性能有所提升。针对MU-Net模型分割结果不够细致的问题,研究级联网络结构的特点,设计并实现了采用六个不同采样深度的MU-Net模型级联而成的MDCasMU-Net模型,对应的采样次数由一到六,通过简单网络粗分割及复杂网络精分割,使得乳腺肿块的分割结果更精细化。针对不规则乳腺肿块边缘难分割的问题,研究多尺度乳腺肿块图像对模型的影响,设计并实现了两阶段级联训练方法,将不同尺寸的乳腺肿块图像作为两阶段模型的输入,通过增加乳腺肿块周围背景区域,令模型更熟悉背景,同时将第一阶段模型的预测结果加入第二阶段模型的输入,以减少背景区域带来的干扰,最终获得的乳腺肿块掩码的边界更加完整、平滑。针对训练样本较少的问题,设计并实现了直方图匹配数据增强方法,通过改变乳腺肿块图像的像素值分布,减少模型对高像素值点的依赖,从而显著提高了模型的鲁棒性。
为了验证该乳腺肿块分割算法的性能,在INbreast数据集上进行了性能评估,得到DSC、IOU、REC、SPC、Haus分别为0.9419、0.8917、0.9417、0.9963、9.4200的实验结果。相比于目前最好的算法结果,DSC提升了0.19个百分点,IOU提升了2个百分点,实现了目前最优越的乳腺肿块分割性能。