基于结构感知三路径网络的乳腺超声计算机辅助诊断
图像与视频处理
2020-06-16 v2 计算机视觉与模式识别
摘要
乳腺超声（US）是一种有效的乳腺癌检测与诊断成像方式。乳腺病灶的结构特征在计算机辅助诊断（CAD）中具有重要作用。本文设计了一种新颖的结构感知三路径网络（SATPN），将分类与两个图像重建任务相整合，以在小型训练数据集上实现准确的 US 图像诊断。具体而言，我们通过距离变换耦合高斯滤波将原始乳腺 US 图像转换为面向 BIRADS 的特征图（BFMs），从而增强临床认可的乳腺病灶结构特征。随后，转换后的 BFMs 被用作 SATPN 的输入，该网络独立执行病灶分类任务以及两个无监督堆叠卷积自编码器（SCAE）网络分别用于良性和恶性图像重建任务。我们通过平衡图像重建误差与分类标签预测误差，以交替学习策略训练 SATPN。在测试阶段，病灶标签由重建误差与标签预测误差的加权投票确定。我们将 SATPN 与使用原始图像作为输入的 TPN 以及我们此前开发的以 BFMs 为输入的半监督深度学习方法进行了性能比较。在两个乳腺 US 数据集上的实验结果表明，SATPN 在三种网络中表现最佳，分类准确率约为 93.5%。这些发现表明，SATPN 有望用于基于小数据集的有效乳腺 US 病灶 CAD。
引用
@article{arxiv.1908.09825,
title = {Breast Ultrasound Computer-Aided Diagnosis Using Structure-Aware Triplet Path Networks},
author = {Erlei Zhang and Zi Yang and Stephen Seiler and Mingli Chen and Weiguo Lu and Xuejun Gu},
journal= {arXiv preprint arXiv:1908.09825},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.01076