조건부 GAN(cGAN) + Atrous Convolution(AC) + Channel Attention with Weighted Blocks(CAW).
본 논문은 Deep Adversarial Learning을 기반으로 한 초음파 영상(cGAN+AC+CAW)의 유방 종양 분할 및 분류 방법을 제안한 것입니다. 2019년에 논문이 제안되었지만 분할에 GAN을 사용하겠다고 제안한 방법은 당시였습니다. 이는 매우 참신한 아이디어입니다. 이 논문은 기본적으로 당시 통합할 수 있는 모든 기술을 통합하여 매우 좋은 결과를 얻었으므로 이 논문은 또한 일반적인 SSIM 손실 및 l1 표준에 대한 대책을 제안하는 것도 매우 가치가 있습니다. 손실 함수로서의 손실.
생성기 네트워크는 인코더 부분으로 구성됩니다: 7개의 콘볼루션 레이어(En1~En7)로 구성되고 디코더: 7개의 디콘볼루션 레이어로 구성됩니다. (Dn1 ~ Dn7).
En3과 En4 사이에 아트러스 컨볼루션 블록을 삽입하세요. 팽창 비율 1, 6, 9, 커널 크기 3×3, 스트라이드 2.
En7과 Dn1 사이에 CAW(채널 가중치) 블록이 있는 채널 주의 레이어도 있습니다.
CAW 블록은 채널 주의 모듈(DAN)과 채널 가중치 블록(SENet)의 모음으로, 발전기 네트워크의 최고 수준 기능에 대한 표현 능력을 높입니다.
Convolutional Layer의 시퀀스입니다.
판별기에 대한 입력은 이미지와 종양 영역을 표시하는 이진 마스크의 연결입니다.
판별기의 출력은 0.0(완전 가짜)부터 1.0(진짜)까지의 값을 갖는 10×10 행렬입니다.
생성기 G의 손실 함수는 적대적 손실(이진 교차 엔트로피 손실), 학습 과정을 촉진하는 l1-norm, 분할 마스크의 경계 모양을 개선하는 SSIM 손실의 세 가지 항으로 구성됩니다.
여기서 z는 무작위 변수입니다. 판별기 D의 손실 함수는 다음과 같습니다.
각 이미지는 훈련된 생성 네트워크에 입력되어 종양 경계를 얻은 다음 이 경계에서 13개의 통계 특징이 계산됩니다. : 프랙탈 차원, 빈틈성, 볼록 껍질, 볼록성, 원형성, 면적, 둘레, 중심, 단축 및 장축 길이, 평활도, Hu 모멘트(6) 및 중심 모멘트(3차 이하)
완전한 특징 선택 사용 ), 알고리즘 최적의 기능 세트를 선택합니다. EFS 알고리즘은 프랙탈 차원, 공백성, 볼록 껍질 및 중심이 4가지 최적 특성임을 보여줍니다.
이러한 선택된 특징은 무작위 포리스트 분류기에 입력되어 양성 종양과 악성 종양을 구별하도록 훈련됩니다.
데이터세트에는 이미지에 포함된 악성 종양 150개와 양성 종양 100개가 포함되어 있습니다. 모델 훈련을 위해 데이터 세트를 훈련 세트(70%), 검증 세트(10%), 테스트 세트(20%)로 무작위로 나누었습니다.
이 모델(cGAN+AC+CAW)은 모든 지표에서 다른 모델보다 성능이 뛰어납니다. Dice와 IoU 점수는 각각 93.76%와 88.82%입니다.
FCN, SegNet, ERFNet 및 U-Net과 같은 분할 헤드가 있는 종이 모델의 IoU 및 Dice에 대한 상자 플롯 비교.
이 모델의 Dice 계수 값 범위는 88%~94%이고, IoU 값 범위는 80%~89%인 반면, 다른 심층 분할 방법인 FCN, SegNet, ERFNet과 U-Net은 값 범위가 더 넓습니다.
Segmentation 결과 위 그림에서 볼 수 있듯이 SegNet과 ERFNet은 거짓음성 영역(빨간색)이 많고 일부 거짓양성 영역(녹색)이 많아 최악의 결과를 얻었습니다.
U-Net, DCGAN, cGAN은 우수한 분할을 제공하는 반면, 논문에서 제안한 모델은 보다 정확한 유방 종양 경계 분할을 제공합니다.
제안된 유방 종양 분류 방법은 [9]보다 우수하며 전체 정확도는 85%입니다.
위 내용은 추천 논문: 심층 적대 학습을 기반으로 한 초음파 영상의 유방 종양 분할 및 분류의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
