用于乳腺 X 线摄影中肿块分割与诊断的双卷积神经网络
图像与视频处理
2020-08-13 v2 机器学习
摘要
深度卷积神经网络（CNNs）已成为乳腺 X 线摄影诊断的新范式。当代基于 CNN 的乳腺癌计算机辅助诊断（CAD）直接从输入乳腺 X 线图像中提取潜特征，忽视了形态学特征的重要性。本文中，我们引入一种用于乳腺 X 线图像处理的新型深度学习框架，其计算肿块分割并同时预测诊断结果。具体而言，我们的方法构建于双路径架构，以双问题方式求解映射，并额外考虑重要的形状与边界知识。一条路径称为局部保持学习器（LPL），致力于分层提取并利用输入的内在特征。另一条路径称为条件图学习器（CGL），专注于通过建模逐像素图像到掩码的相关性来生成几何特征。通过整合两个学习器，语义与结构均得以良好保留，且各分量学习路径互为补充，同时有助于改善肿块分割与癌症分类问题。我们在两个最常用的公共乳腺 X 线摄影数据集 DDSM 和 INbreast 上评估了我们的方法。实验结果表明，DualCoreNet 同时取得了最佳的乳腺 X 线摄影分割与分类，优于近期最先进的模型。
引用
@article{arxiv.2008.02957,
title = {Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography},
author = {Heyi Li and Dongdong Chen and William H. Nailon and Mike E. Davies and David Laurenson},
journal= {arXiv preprint arXiv:2008.02957},
year = {2020}
}