基于超声熵图与注意力门控U-Net的乳腺肿块分割
图像与视频处理
2020-01-29 v1 计算机视觉与模式识别
医学物理
摘要
我们提出了一种基于深度学习的超声(US)成像乳腺肿块分割新方法。与常用的使用US图像的分割方法相比，我们的方法基于定量熵参数图。为分割乳腺肿块，我们采用了注意力门控U-Net卷积神经网络。US图像和熵图基于从269个乳腺肿块采集的原始US信号生成。分别使用US图像和熵图独立开发分割网络，并在81个乳腺肿块的测试集上进行评估。基于熵图训练的注意力U-Net取得了平均Dice系数0.60(中位数0.71)，而使用US图像训练的模型平均Dice系数为0.53(中位数0.59)。我们的工作展示了使用定量US参数图进行乳腺肿块分割的可行性。所得结果表明，提供局部组织散射信息的US参数图可能比常规US图像更适合用于开发乳腺肿块分割方法。
引用
@article{arxiv.2001.10061,
title = {Breast mass segmentation based on ultrasonic entropy maps and attention gated U-Net},
author = {Michal Byra and Piotr Jarosik and Katarzyna Dobruch-Sobczak and Ziemowit Klimonda and Hanna Piotrzkowska-Wroblewska and Jerzy Litniewski and Andrzej Nowicki},
journal= {arXiv preprint arXiv:2001.10061},
year = {2020}
}
备注
4 pages, 4 figures