基于半像素级循环生成对抗网络的超声病灶分割
计算机视觉与模式识别
2020-10-20 v4 图像与视频处理
摘要
乳腺癌是最常见的浸润性癌症，在女性中癌症发病率最高。手持超声是识别和诊断乳腺癌最有效的方式之一。病灶的面积和形状信息对临床医生做出诊断决策非常有帮助。在本研究中，我们提出了一种新的深度学习方案——半像素级循环生成对抗网络（SPCGAN），用于在二维超声中分割病灶。该方法利用全卷积神经网络（FCN）和生成对抗网络的优势，通过先验知识分割病灶。我们在由32个恶性病灶和109个良性病灶组成的测试数据集上将所提方法与全连接神经网络和水平集分割方法进行了比较。我们提出的方法达到了0.92的Dice相似系数（DSC），而FCN和水平集分别达到了0.90和0.79。特别是对于恶性病灶，我们的方法将全连接神经网络的DSC（0.90）显著提高到0.93（p<0.001）。结果表明，我们的SPCGAN能够获得鲁棒的分割结果。与FCN相比，在充足训练样本不可用时，SPCGAN框架尤其有效。我们提出的方法可用于减轻放射科医生的标注负担。
引用
@article{arxiv.1905.01902,
title = {Lesion Segmentation in Ultrasound Using Semi-pixel-wise Cycle Generative Adversarial Nets},
author = {Jie Xing and Zheren Li and Biyuan Wang and Yuji Qi and Bingbin Yu and Farhad G. Zanjani and Aiwen Zheng and Remco Duits and Tao Tan},
journal= {arXiv preprint arXiv:1905.01902},
year = {2020}
}