WATUNet：一种用于体积扫查成像超声分割的深度神经网络
图像与视频处理
2023-11-21 v1 计算机视觉与模式识别
机器学习
摘要
目的。全球范围内乳腺癌诊断可及性有限导致治疗延迟。超声是一种有效但未被充分利用的方法，需要超声医师的专业培训，这阻碍了它的广泛应用。方法。体积扫查成像（VSI）是一种创新方法，使未经培训的操作者也能采集高质量超声图像。结合深度学习（如卷积神经网络，CNNs），它有可能变革乳腺癌诊断，提高准确性、节省时间与成本并改善患者预后。广泛使用的 UNet 架构以医学图像分割闻名，但存在如梯度消失、缺乏多尺度特征提取与选择性区域注意力等局限。在本研究中，我们提出一种称为 Wavelet_Attention_UNet（WATUNet）的新型分割模型。该模型中，我们在编码器与解码器之间引入小波门（WGs）与注意力门（AGs）以替代简单连接，从而克服上述局限并提升模型性能。主要结果。分析使用了两个数据集。公开的“乳腺超声图像”（BUSI）数据集含 780 张图像，以及含 3818 张图像的 VSI 数据集。两个数据集均包含分为三类（无肿块、良性肿块、恶性肿块）的分割病灶。我们的分割结果展现出优于其他深度网络的性能。所提算法在 VSI 数据集上取得 0.94 的 Dice 系数与 0.94 的 F1 分数，在公开数据集上分别取得 0.93 与 0.94。
引用
@article{arxiv.2311.10857,
title = {WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound},
author = {Donya Khaledyan and Thomas J. Marini and Avice OConnell and Steven Meng and Jonah Kan and Galen Brennan and Yu Zhao and Timothy M. Baran and Kevin J. Parker},
journal= {arXiv preprint arXiv:2311.10857},
year = {2023}
}
备注
N/A