《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 一種乳腺X線影像腫塊的多特征融合檢測算法
一種乳腺X線影像腫塊的多特征融合檢測算法
電子技術(shù)應(yīng)用
吳明明，顧春華
（上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海 200093）
摘要： 針對在單視圖的乳腺腫塊檢測算法中漏檢率和假陽性率較高的問題，提出了一種改進(jìn)的自動檢測算法。將擴(kuò)張殘留網(wǎng)絡(luò)（Dilated Residual Network，DRN）結(jié)合重新設(shè)計的特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）用于對乳腺腫塊的檢測。首先利用DRN中的膨脹卷積，減少對圖像的下采樣次數(shù)；再擴(kuò)充網(wǎng)絡(luò)的深度，使其輸出滿足FPN所需的輸入；在FPN結(jié)構(gòu)中，采用注意力機(jī)制降低不同特征圖直接融合所造成的信息損失，同時采用密集連接代替原有的橫向連接，充分融合淺層特征中目標(biāo)的位置和細(xì)節(jié)信息。仿真實驗顯示，所設(shè)計的模型在CBSI-DDSM數(shù)據(jù)集上的檢測精度相比于基準(zhǔn)模型提升了7.1%。
中圖分類號：TP391.9
文獻(xiàn)標(biāo)志碼：A
DOI: 10.16157/j.issn.0258-7998.223549
中文引用格式： 吳明明，顧春華. 一種乳腺X線影像腫塊的多特征融合檢測算法[J]. 電子技術(shù)應(yīng)用，2023，49(7)：35-40.
英文引用格式： Wu Mingming，Gu Chunhua. A mutil-feature fusion algorithm for Mammography masses[J]. Application of Electronic Technique，2023，49(7)：35-40.
A mutil-feature fusion algorithm for Mammography masses
Wu Mingming，Gu Chunhua
(School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China)
Abstract： Aiming at the problem of the high probability of miss and false positive rates in single-view Mammography, an improved automatic detection algorithm is proposed in this paper. The dilated residual network (DRN) combined with a modified feature pyramid network (FPN) is used for the detection of breast masses. The expansion convolution in DRN is used to reduce the number of downsampling of images. The number of layers of the DRN is also increased to satisfy the required input of the FPN. In the FPN structure, the attention mechanism is used to reduce the information loss caused by the direct fusion of different feature maps, while dense connections are used instead of the original lateral connections to make full use of the location and detailed information on the target for the shallow features. Simulation experiments show that the detection accuracy of the designed model on the CBSI-DDSM dataset is improved by 7.1 percent compared to the baseline.
Key words : breast cancer；multi-scale features；object detection；feature pyramid network；dilated residual networks

0　引言

近幾十年以來，乳腺癌已經(jīng)成為影響全世界女性健康最主要的癌癥之一，女性新確診的癌癥病例中乳腺癌占30%。由國際癌癥機(jī)構(gòu)（IARC）在2020 年發(fā)布的《2020年全球癌癥負(fù)擔(dān)報告》中顯示，2020年全球估計有1 930萬新癌癥病例和近1 000萬癌癥死亡病例。女性乳腺癌已經(jīng)超過肺癌成為最常見的癌癥。隨著深度學(xué)習(xí)在計算機(jī)視覺、醫(yī)學(xué)圖像等領(lǐng)域的發(fā)展，用于檢測乳腺腫塊的計算機(jī)輔助系統(tǒng)已成為預(yù)防乳腺癌的重要技術(shù)手段。

目前，一些基于雙階段檢測算法的CAD系統(tǒng)已經(jīng)應(yīng)用于醫(yī)學(xué)圖像的檢測。2020年,Liu引入了二部圖卷積網(wǎng)絡(luò)，從交叉視圖的特征圖映射出二部圖節(jié)點，對交叉視圖的幾何約束和外觀相似性進(jìn)行建模，使得模型在乳腺腫塊檢測中具有推理能力;Guo對FPN的3個設(shè)計缺陷進(jìn)行了改進(jìn)，在Faster R-CNN中用AugFPN替換FPN，使用ResNet50和MobileNet-v2作為主干時，平均精度（mAP）分別提高了2.3%和1.6%;An在Mask R-CNN的基礎(chǔ)上提出了一種適用于乳腺腫塊檢測的D-Mask R-CNN模型，將FPN中的橫向連接改為了密集連接,模型應(yīng)用在CBIS-DDSM數(shù)據(jù)集上比Mask R-CNN模型的mAP提高了0.05；Xiao提出了一種通道自注意模塊（CSA），將主干網(wǎng)絡(luò)（backbone）中加入CSA模塊，結(jié)合cascade R-CNN進(jìn)一步提高了對乳腺腫塊的檢測精度。



本文詳細(xì)內(nèi)容請下載：http://ihrv.cn/resource/share/2000005389




作者信息：

吳明明，顧春華

（上海理工大學(xué) 光電信息與計算機(jī)工程學(xué)院，上海 200093）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。