修改U-Net编码器-解码器结构以提高乳腺超声图像肿瘤分割精度
图像与视频处理
2024-11-20 v2 计算机视觉与模式识别
摘要
分割是图像处理中最重要的步骤之一。分割图像是一种将数字图像分为各个区域的技术,基于图像中像素在不同特征上的差异。特别是,乳腺超声图像的分割广泛用于癌症识别。通过图像分割,可以通过医学图像有效地对疾病进行早期诊断。由于包括散粒噪声、信噪比低和强度异质性在内的各种超声伪影和噪声,准确分割医学图像(如超声图像)仍然是一个具有挑战性的任务。本文提出了一种新方法,提高乳腺超声图像分割的准确性和有效性。更准确地说,我们基于U-Net提出了一种神经网络,其编码器-解码器结构。以U-Net为基础,编码器和解码器部分结合了U-Net与其他深度神经网络(Res-Net和MultiResUNet),并引入了一种新方法和模块(Co-Block),以最大限度地保留低层和高层特征。在乳腺超声图像(BUSI)数据集上评估了设计的网络。该数据集包含780张图像,图像分为normal、benign和malignant三个类别。根据我们在公开乳腺超声数据集上的广泛评估,设计的网络(CResU-Net)在BUSI数据集上的Dice相似系数(DSC)、交并比(IoU)、ROC曲线下面积(AUC)和全局准确率(ACC)分别为82.88%、77.5%、90.3%和98.4%。
引用
@article{arxiv.2409.00647,
title = {Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images},
author = {Sina Derakhshandeh and Ali Mahloojifar},
journal= {arXiv preprint arXiv:2409.00647},
year = {2024}
}