基于DCE-MRI的乳腺肿瘤分割原型学习引导的混合网络原型
图像与视频处理
2024-08-13 v1 计算机视觉与模式识别
摘要
基于动态对比增强磁共振成像（DCE-MRI）的自动乳腺肿瘤分割在临床实践中显示出巨大的潜力，尤其适用于识别乳腺疾病的存在。然而，乳腺肿瘤的精确分割是一个具有挑战性的任务，常常需要开发复杂的网络。为在计算成本和分割性能之间取得最佳平衡，我们提出了一种通过组合卷积神经网络（CNN）和变换层实现的混合网络。具体而言，混合网络由堆叠卷积层和反卷积层构成的编码器-解码器架构。随后，在编码器子网络之后实现了有效的3D变换层，以捕获瓶颈特征之间的全局依赖关系。为提高混合网络的效率，设计了两个平行的编码器子网络，用于解码器和变换层。为进一步增强混合网络的判别能力，提出了一种原型学习引导的预测模块，其中通过在线聚类计算类别指定的原型特征。最终，将所有学习到的原型特征与解码器的特征组合，用于肿瘤掩码预测。在私有和公共DCE-MRI数据集上的实验结果表明，所提出的混合网络优于当前方法，同时在分割准确性和计算成本之间保持平衡。此外，我们证明了自动生成的肿瘤掩码可以有效应用于从HER2阴性亚型中识别HER2阳性亚型，准确率与基于手动肿瘤分割分析的准确率相似。源代码可在 https://github.com/ZhouL-lab/PLHN 查看。
引用
@article{arxiv.2408.05803,
title = {Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI},
author = {Lei Zhou and Yuzhong Zhang and Jiadong Zhang and Xuejun Qian and Chen Gong and Kun Sun and Zhongxiang Ding and Xing Wang and Zhenhui Li and Zaiyi Liu and Dinggang Shen},
journal= {arXiv preprint arXiv:2408.05803},
year = {2024}
}