弹性成像与B型乳腺超声图像的集成迁移学习
计算机视觉与模式识别
2021-02-18 v1 人工智能
图像与视频处理
摘要
在计算机辅助检测（CAD）中，区分良性与恶性乳腺病灶在乳腺超声（US）成像中变得愈发关键。CAD系统依赖医学专家识别的成像特征来发挥作用，而深度学习（DL）方法则从数据中自动提取特征。DL面临的挑战在于可用于训练DL模型的乳腺US图像不足。在此，我们提出一种集成迁移学习模型，利用B型乳腺US（B-US）与应变弹性成像乳腺US（SE-US）图像对良性与恶性乳腺肿瘤进行分类。该模型结合来自AlexNet与ResNet模型的语义特征，以区分良性和恶性肿瘤。我们使用B-US与SE-US图像训练模型并对肿瘤分类。我们回顾性收集了85例患者的数据，其中42例良性与43例恶性经活检确认。每位患者有多张B-US及其对应的SE-US图像，数据集共含261张B-US图像与261张SE-US图像。实验结果表明，我们的集成模型达到了88.89%的灵敏度与91.10%的特异度。所提方法的诊断性能等同于或优于人工识别。因此，我们提出的集成学习方法将有助于早期乳腺癌的检测，可靠地改善患者照护。
引用
@article{arxiv.2102.08567,
title = {Ensemble Transfer Learning of Elastography and B-mode Breast Ultrasound Images},
author = {Sampa Misra and Seungwan Jeon and Ravi Managuli and Seiyon Lee and Gyuwon Kim and Seungchul Lee and Richard G Barr and Chulhong Kim},
journal= {arXiv preprint arXiv:2102.08567},
year = {2021}
}
备注
17 pages, 10 figures, 6 Tables