基于新颖乳房边界提议的乳房区域分割深度学习架构比较分析
图像与视频处理
2024-10-04 v1 医学物理
摘要
目的：动态增强对比剂磁共振成像（DCE-MRI）中乳房区域的分割对于自动测量乳房密度以及对影像发现的定量分析至关重要。本研究旨在比较各种深度学习方法以提高整个乳房分割效果，同时降低计算成本和环境影响，以便于未来研究。方法：我们收集了来自斯塔文加大学医院的59个DCE-MRI扫描，经预处理后分析了58个扫描。预处理步骤包括标准化影像协议并重采样切片，以确保所有患者体积一致。使用我们新方法，定义了新的乳房边界并生成相应的分割掩模。我们评估了七种深度学习模型进行分割，包括UNet、UNet++、DenseNet、FCNResNet50、FCNResNet101、DeepLabv3ResNet50和DeepLabv3ResNet101。为确保模型验证的稳健性，我们采用10折交叉验证，将数据集划分为十个子集，训练九个并在剩余一个上进行验证，循环使用此过程以便所有子集都能用于验证。结果：各模型在多个指标上均展示出显著潜力。UNet++在Dice得分方面取得最佳成绩，而UNet在验证和可推广性方面表现突出。FCNResNet50由于其较低的碳足迹和合理的推理时间，成为除UNet++之外另一款稳健的模型。在边界检测方面，UNet和UNet++均优于其他模型，DeepLabv3ResNet也提供了具竞争力的结果。
引用
@article{arxiv.2410.02337,
title = {Comparative Analysis of Deep Learning Architectures for Breast Region Segmentation with a Novel Breast Boundary Proposal},
author = {Sam Narimani and Solveig Roth Hoff and Kathinka Dæhli Kurz and Kjell-Inge Gjesdal and Jurgen Geisler and Endre Grovik},
journal= {arXiv preprint arXiv:2410.02337},
year = {2024}
}