超声图像重建方法对基于神经迁移学习的乳腺病变分类的影响
计算机视觉与模式识别
2018-04-09 v1 医学物理
摘要
深度学习算法，尤其是卷积神经网络，已成为医学图像分析中的首选方法。然而，计算机视觉近期研究表明，即便对输入图像强度做微小改动，也可能使深度学习模型对图像作出不同分类。在医学成像中，图像强度的分布与相关所采用的的图像重建算法有关。本文研究超声图像重建方法对基于神经迁移学习的乳腺病变分类的影响。由于原始超声信号动态范围高，通常需经压缩以重建 B 超图像。基于从乳腺病变获取的原始数据，我们采用不同压缩水平重建 B 超图像，随后应用迁移学习进行分类，并使用不同重建方式所得图像进行训练与评估。我们发现，重建算法的改动会导致分类性能下降。对此，我们提出一种数据增强方法，表明用不同重建的 B 超图像增强训练集可得到更鲁棒且高效的分型。本研究提示，在开发计算机辅助诊断系统时，需重视医学扫描仪中所实现的图像重建算法。
引用
@article{arxiv.1804.02119,
title = {Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning},
author = {Michal Byra and Tomasz Sznajder and Danijel Korzinek and Hanna Piotrzkowska-Wroblewska and Katarzyna Dobruch-Sobczak and Andrzej Nowicki and Krzysztof Marasek},
journal= {arXiv preprint arXiv:1804.02119},
year = {2018}
}
备注
6 pages, 5 figures, 3 tables