基于u-net深度学习网络的数字乳腺摄影软组织病变自动检测与分割
计算机视觉与模式识别
2018-03-09 v2
摘要
计算机辅助检测或决策支持系统旨在通过帮助放射科医生评估数字乳腺摄影（DM）检查来改进乳腺癌筛查项目。此类方法通常分两步进行：筛选恶性候选区域，随后分类为恶性或非恶性。在本研究中，我们提出一种基于深度学习的候选检测方法，用于自动检测并额外分割DM中的软组织病变。我们从机构档案中收集了DM检查数据库（多为双侧双视图）。共收集了来自三家不同厂商（通用电气、西门子、Hologic）的7196例DM检查（28294张DM图像），其中2883例含有经组织病理学确认的恶性病变。数据在检查级别随机划分为训练集（50%）、验证集（10%）和测试集（40%），用于训练u-net架构的深度神经网络。该u-net对图像进行分类，同时提供病变分割。采用自由受试者工作特征（FROC）分析在图像级和检查级评估模型。在图像级，于每图像7.93个假阳性（FP）时达到0.94的最大灵敏度；类似地，在每检查级于每图像7.81个FP时达到0.98的最大灵敏度。总之，该方法可用作具有高准确度且附带病变分割信息的候选筛选模型。
引用
@article{arxiv.1802.06865,
title = {Automated soft tissue lesion detection and segmentation in digital mammography using a u-net deep learning network},
author = {Timothy de Moor and Alejandro Rodriguez-Ruiz and Albert Gubern Mérida and Ritse Mann and Jonas Teuwen},
journal= {arXiv preprint arXiv:1802.06865},
year = {2018}
}
备注
To appear in IWBI 2018