Kertas yang disyorkan: Segmentasi dan klasifikasi tumor payudara dalam imej ultrasound berdasarkan pembelajaran permusuhan yang mendalam

GAN ​​(cGAN) + Atrous Convolution (AC) + Perhatian Saluran dengan Bongkah Berwajaran (CAW).

Kertas kerja ini mencadangkan kaedah pembahagian dan pengelasan tumor payudara untuk imej ultrasound (cGAN+AC+CAW) berdasarkan pembelajaran permusuhan yang mendalam Walaupun kertas itu dicadangkan pada 2019, beliau mencadangkan kaedah menggunakan GAN untuk pembahagian Ia adalah idea yang sangat baru pada masa itu. Kertas itu pada asasnya menyepadukan semua teknologi yang boleh disepadukan pada masa itu, dan mencapai hasil yang sangat baik, jadi ia sangat berbaloi untuk dibaca l1 kehilangan norma digunakan sebagai fungsi kerugian.

Menggunakan cGAN+AC+CAW untuk segmentasi semantik

Generator G

Rangkaian penjana mengandungi Pengekod bahagian: terdiri daripada tujuh lapisan konvolusi (En1 hingga En7) dan penyahkod: tujuh lapisan dekonvolusi (Dn1 hingga Dn7).

Masukkan blok lilitan atrous antara En3 dan En4. Nisbah pelebaran 1, 6 dan 9, saiz isirong 3×3, langkah 2.

Terdapat juga lapisan perhatian saluran dengan blok pemberat saluran (CAW) antara En7 dan Dn1.

Blok CAW ialah koleksi modul perhatian saluran (DAN) dan blok pemberat saluran (SENet), yang meningkatkan keupayaan perwakilan ciri tahap tertinggi rangkaian penjana.

Pendiskriminasi D

Ia ialah jujukan lapisan konvolusi.

Input kepada diskriminator ialah gabungan imej dan topeng binari yang menandakan kawasan tumor.

Keluaran diskriminator ialah matriks 10×10 dengan nilai antara 0.0 (palsu sepenuhnya) hingga 1.0 (sebenar).

Fungsi kehilangan

Fungsi kehilangan penjana G terdiri daripada tiga istilah: kerugian adversarial (kehilangan entropi silang binari), norma l1 untuk memudahkan proses pembelajaran dan memperbaiki sempadan topeng segmentasi Kehilangan SSIM daripada bentuk:

dengan z ialah pembolehubah rawak. Fungsi kehilangan diskriminator D ialah:

Gunakan hutan rawak untuk tugas pengelasan

Masukkan setiap imej ke dalam yang terlatih Jana rangkaian , dapatkan sempadan tumor, dan kemudian hitung 13 ciri statistik daripada sempadan ini: dimensi fraktal, kekosongan, badan cembung, kecembungan, pekeliling, luas, perimeter, centroid, panjang paksi kecil dan utama, kelancaran, momen Hu (6) dan momen pusat (pesanan 3 dan ke bawah)

menggunakan algoritma pemilihan ciri lengkap (Pemilihan ciri lengkap) untuk memilih set ciri optimum. Algoritma EFS menunjukkan bahawa dimensi fraktal, kekosongan, badan cembung, dan centroid adalah empat ciri optimum.

Ciri yang dipilih ini dimasukkan ke dalam pengelas hutan rawak, yang kemudiannya dilatih untuk membezakan antara tumor jinak dan malignan.

Perbandingan Hasil

Segmentasi

Dataset mengandungi 150 tumor malignan dan 100 tumor jinak yang terkandung dalam imej. Untuk latihan model, set data dibahagikan secara rawak kepada set latihan (70%), set pengesahan (10%) dan set ujian (20%).

Model ini (cGAN+AC+CAW) mengatasi model lain dalam semua penunjuk. Skor Dice dan IoUnya masing-masing ialah 93.76% dan 88.82%.

Perbandingan boxplot IoU dan Dice model kertas dengan kepala segmentasi seperti FCN, SegNet, ERFNet dan U-Net.

Julat nilai model ini untuk pekali Dice ialah 88% ~ 94%, dan julat nilai untuk IoU ialah 80% ~ 89%, manakala kaedah pembahagian dalam yang lain FCN , SegNet, ERFNet dan U-Net mempunyai julat nilai yang lebih besar.

Hasil pembahagian Seperti yang ditunjukkan dalam rajah di atas, SegNet dan ERFNet menghasilkan keputusan yang paling teruk, dengan sejumlah besar kawasan negatif palsu (merah), dan beberapa kawasan positif palsu (hijau).

Walaupun U-Net, DCGAN dan cGAN menyediakan segmentasi yang baik, model yang dicadangkan dalam kertas kerja menyediakan segmentasi sempadan tumor payudara yang lebih tepat.

Klasifikasi

Kaedah pengelasan tumor payudara yang dicadangkan adalah lebih baik daripada [9], dengan jumlah ketepatan 85%.

Atas ialah kandungan terperinci Kertas yang disyorkan: Segmentasi dan klasifikasi tumor payudara dalam imej ultrasound berdasarkan pembelajaran permusuhan yang mendalam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!