用于超声图像中乳腺病灶分割的全局引导网络
图像与视频处理
2021-04-06 v1 计算机视觉与模式识别
机器学习
摘要
超声中乳腺病灶的自动分割有助于诊断乳腺癌，而乳腺癌是影响全球女性的可怕疾病之一。由于固有的散斑伪影、模糊的乳腺病灶边界以及乳腺病灶区域内不均匀的强度分布，从超声图像中准确分割乳腺区域是一项具有挑战性的任务。近来，卷积神经网络 (CNNs) 在医学图像分割任务中展现出显著成果。然而，CNN 中的卷积操作往往聚焦于局部区域，在捕获输入超声图像的远距离依赖方面能力有限，导致乳腺病灶分割精度下降。在本文中，我们开发了一种配备全局引导块 (GGB) 和乳腺病灶边界检测 (BD) 模块的深度卷积神经网络，以提升乳腺超声病灶分割性能。GGB 利用多层集成特征图作为引导信息，从空间和通道域学习远距离非局部依赖。BD 模块学习额外的乳腺病灶边界图，以增强分割结果细化的边界质量。在公共数据集和采集数据集上的实验结果表明，我们的网络在乳腺超声病灶分割上优于其他医学图像分割方法和近期语义分割方法。此外，我们还展示了我们的网络在超声前列腺分割上的应用，其中我们的方法比最先进网络更好地识别前列腺区域。
引用
@article{arxiv.2104.01896,
title = {Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images},
author = {Cheng Xue and Lei Zhu and Huazhu Fu and Xiaowei Hu and Xiaomeng Li and Hai Zhang and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2104.01896},
year = {2021}
}
备注
16page,10 figures. Accepted by medical image analysis