基于无锚框架构的数字乳腺摄影中乳腺肿块检测

背景与目的：在乳腺摄影图像中准确检测乳腺肿块对于早期乳腺癌诊断至关重要，可大幅提高患者生存率。然而，由于乳腺肿块的异质性及其周围环境的复杂性，这仍是一项巨大挑战。方法：为解决这些问题，我们提出一种基于无锚框（anchor-free）与特征金字塔的单阶段目标检测架构，称为乳腺肿块检测网络（BMassDNet），其能良好适应不同尺寸乳腺肿块的检测。我们引入截断归一化方法，并将其与自适应直方图均衡相结合，以增强乳腺肿块与周围环境间的对比度。同时，为解决小数据量导致的过拟合问题，我们提出自然形变数据增强方法，并改进基于数据复杂度的训练数据动态更新方法，以有效利用有限数据。最后，我们使用迁移学习辅助训练过程并进一步提升模型鲁棒性。结果：在 INbreast 数据集上，每幅图像平均有 0.495 个假阳性而召回率达 0.930；在 DDSM 数据集上，当每幅图像有 0.599 个假阳性时，召回率达 0.943。结论：在 INbreast 与 DDSM 数据集上的实验结果表明，所提 BMassDNet 相较当前排名靠前的方法可获得具竞争力的检测性能。