基于深度对抗学习的乳腺超声图像肿瘤分割与分类高效方案
图像与视频处理
2019-07-02 v1 计算机视觉与模式识别
摘要
本文提出一种用于乳腺超声（BUS）图像中肿瘤分割与分类的高效方案。我们提出在条件生成对抗网络（cGAN）分割模型中加入空洞卷积层，以在不同分辨率的 BUS 图像上学习肿瘤特征。为自动重新平衡最高层编码特征的各自相对影响，我们还提出在网络中加入通道加权块。此外，将 SSIM 和 L1 范数损失与典型的对抗损失一同用作损失函数训练模型。我们的模型在 Dice 和 IoU 指标上优于最先进的分割模型，分别取得 93.76% 和 88.82% 的最高分数。在分类阶段，我们表明从预测掩码边界形状提取的少量统计特征能以 85% 的准确率较好区分良性和恶性肿痏。
引用
@article{arxiv.1907.00887,
title = {An Efficient Solution for Breast Tumor Segmentation and Classification in Ultrasound Images Using Deep Adversarial Learning},
author = {Vivek Kumar Singh and Hatem A. Rashwan and Mohamed Abdel-Nasser and Md. Mostafa Kamal Sarker and Farhan Akram and Nidhi Pandey and Santiago Romani and Domenec Puig},
journal= {arXiv preprint arXiv:1907.00887},
year = {2019}
}
备注
9 pages