用于超声图像乳腺病灶分割的多级感知边界引导网络
图像与视频处理
2023-10-24 v1 计算机视觉与模式识别
摘要
从超声图像中自动分割乳腺肿瘤对后续临床诊断与治疗规划至关重要。尽管现有基于深度学习的方法在乳腺肿瘤自动分割上已取得显著进展，但其在与正常组织强度相似的肿瘤（尤其是肿瘤边界）上的表现仍不理想。为此，我们提出由多级全局感知模块（MGPM）与边界引导模块（BGM）构成的 PBNet，用于从超声图像中分割乳腺肿瘤。具体而言，在 MGPM 中，建模了单层特征图内体素间的长程空间依赖，进而融合多级语义信息以提升模型对非增强肿瘤的识别能力。在 BGM 中，利用最大池化的膨胀与腐蚀效应从高阶语义图中提取肿瘤边界，随后以之引导低阶与高阶特征的融合。此外，为改善肿瘤边界的分割性能，提出了多级边界增强分割（BS）损失。在公开数据集与内部数据集上的大量对比实验表明，所提 PBNet 在定性可视化结果与定量评价指标上均优于 SOTA 方法，其 Dice 系数、Jaccard 系数、特异度和 HD95 分别提升 0.70%、1.1%、0.1% 和 2.5%。消融实验进一步验证，所提 MGPM 确实有助于区分非增强肿瘤，BGM 与 BS 损失亦有助于细化肿瘤分割轮廓。
引用
@article{arxiv.2310.14636,
title = {Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images},
author = {Xing Yang and Jian Zhang and Qijian Chen and Li Wang and Lihui Wang},
journal= {arXiv preprint arXiv:2310.14636},
year = {2023}
}
备注
12pages,5 figures