6.26.4.3 条件生成对抗和卷积网络用于x射线乳房质量分割和形状分类

news2024/11/27 11:45:27

        一种基于条件生成对抗网络(conditional Generative Adversarial Networks, cGAN)的乳房肿块分割方法。假设cGAN结构非常适合准确地勾勒出质量区域,特别是当训练数据有限时。生成网络学习肿瘤的内在特征,而对抗网络强制分割与基础事实相似。从公开DDSM数据集和我们内部私有数据集提取的数十个恶性肿瘤进行的实验证实了我们的假设,骰子系数和Jaccard指数非常高(分别> 94%和> 89%),优于其他最先进的方法获得的分数。此外,为了检测分割肿瘤的重要形态学特征,还设计了一个特定的卷积神经网络(CNN),将分割的肿瘤区域分为四种类型(不规则、小叶、椭圆形和圆形),在DDSM数据集上的总体准确率约为72%。

1. 介绍

        乳房x线摄影筛查是早期发现乳腺癌最可靠的方法。在各种类型的乳房异常中,如微钙化或结构扭曲,乳房肿块是最重要的发现,因为它们可能提示恶性肿瘤的存在。然而,由于肿块与周围健康组织的高可变性、低对比度和高相似性以及低信噪比,定位肿块和识别肿块边界是一项困难的任务。 

        CAD系统被强烈推荐用于帮助放射科医生检测肿块,勾勒出它们的边界(即肿块分割),以及提出它们的形态特征,如形状类型(不规则、分叶状、椭圆形和圆形)和边缘类型(界限清晰、模糊、定义不清、有毛刺)。最近的研究表明,肿块特征与分子亚型之间存在一些松散的关联,分子亚型(如Luminal-A、Luminal-B、HER-2和Basal-like)是制定最佳肿瘤治疗方案的关键。 提出了一个基于条件生成对抗网络(cGAN)的乳腺肿块分割新方法。从肿块的二值掩码中预测肿块的形状类型(不规则、分叶状、椭圆形和圆形)。本文还研究了肿块形状与分子亚型之间的相关性

2. 相关工作

        提出许多方法来解决乳房质量分割问题,包括基于阈值分割、迭代像素分类、区域生长、区域聚类、边缘检测、模板匹配和随机松弛等技术[1,9]。 

        对于分割问题,一些建议依赖于经典的统计模型,如结构化支持向量机,使用深度信念网络或CNN特征作为其潜在函数[10]。另一方面,也可以基于全卷积网络(Fully Convolutional Network, FCN)方法进行图像分割[11]。然而,经典的FCN管道不能准确地保留对象的边界。为了克服这一缺点,FCN网络与考虑像素位置的CRF层相连接,以加强输出分割的紧凑性[12]。 

3. 提出的模型

3.1 系统概述

        图1表示了所提出的用于大规模分割的cGAN网络的训练阶段(左)以及完整的预测工作流(右),由两个阶段定义。第一阶段使用训练的cGAN的生成器部分自动获得一个二进制掩码,该掩码选择应该对应于乳腺肿块区域的像素(白色),而忽略对应于健康组织的像素(黑色)。输入图像是包含ROI质量的乳房x光片的平方裁剪。将输入重塑为256×256像素大小,并将每个像素的值缩放为[0,1]范围。为了去除噪声,用0.5标准差的高斯滤波对图像进行了正则化。工作流的第二阶段使用经过训练的常规CNN将得到的二值掩模分为四类质量形状中的一类,即不规则、小叶、椭圆形和圆形。

3.2 肿块分割模型(cGAN)

假设[8]中提出的cGAN结构对于分割来说是完美的,主要有两个原因:

  • cGAN的生成器网络是由编码器和解码器两个网络组成的FCN网络。编码器可以学习肿块和正常乳腺实质的内在特征(灰度、纹理、梯度、边缘、形状等),反过来,解码器可以学习如何根据两个输出类(肿块/正常)的输入特征标记二进制掩码。

  • cGAN的判别网络将生成的二值掩码与相应的真值进行比较,使它们尽可能地相似。因此,在生成器的损失计算中加入对抗分数可以增强其提供有效分割的能力。 

        生成器/判别器网络的组合允许用很少的训练样本进行鲁棒学习。由于生成和判别网络都是通过观察输入图像来调节的,因此产生的分割是对输入像素的函数。否则,常规GAN(无条件)将仅仅从随机噪声中推断分割,这显然不会将x射线聚集的质量外观与输出的二进制掩模绑定在一起。


x 表示一幅肿块ROI图像,y 表示相应的分割,z 为随机变量, G(x,z)为预测掩码,\|y-G(x,z)\|_1 是真实值与预测掩码之间的L1归一化距离,\lambda 是经验加权因子,D(x,G(x,z))是判别器的输出分数,则生成器的损失定义为:

\ell_{Gen}(G,D)=E_{x,y,z}\big(-log(D(x,G(x,z)))\big)+\lambda E_{x,y,z}\big(\|y-G(x,z)\|_{1}\big),\quad(1)

如果只使用L1项,由于距离度量平均了所有像素差,因此得到的二值掩模会被模糊。因此,包括对抗项允许生成器学习如何在细粒度细节(高频)上转换输入图像,从而产生清晰而逼真的二进制掩模。 

\ell_{Dis}(G,D)=E_{x,y}\Big(-log(D(x,y))\Big)+E_{x,y,z}\Big(-log(1-D(x,G(x,z)))\Big),\quad(2) 

因此,优化器将拟合鉴别器网络,以最大化真实掩码预测(通过最小化-log(D(x,y)))和最小化生成的掩码预测(通过最小化-log(1-D(x,G(x,z)))。 

3.3 形状分类模型(CNN)

        在这个阶段,选择了CNN方法而不是其他提取形状特征的经典方法(例如HOG,形状上下文),主要是因为深度神经网络在物体识别和分割任务中取得了成功[14]。然而,这一阶段的输入图像(二值掩模)并没有呈现像素值的复杂分布,只是形态结构,因此假设一个相当简单的CNN(即两个卷积层加上两个完全连接层)将足以学习四种质量形状的泛化。 

4. 实验

4.1 数据集

DDSM数据集:这是一个公开的数据库,包括大约2500个乳腺良性和恶性肿瘤肿块,具有不同形状类别的基础事实。从恶性病例中,我们选择567张乳腺x线照片(不规则、小叶、椭圆形和圆形分别为330张、108张、90张和39张)。我们已经使用这个数据集来训练分割和形状分类模型。

Reus医院数据集:包含194个恶性肿块,分布在四种分子亚型乳腺癌中:64个Luminal-A, 59个Luminal-B, 34个Her-2和37个Basal-like。该数据集用于测试分割模型,并对形状质量和分子亚型分布进行分析。

4.2 实验结果

        在第一阶段,训练了两个版本的cGAN架构,Auto-Encoder(即没有跳过连接)和U-Net(即有跳过连接),并将它们与三种模型进行比较:FCN [11], U-Net[17]和CRFCNN[10]为我们的数据重新训练。对于所有的实验,DDSM数据集被分成训练、验证和测试三个部分,分别占70%、15%和15%。然后,整个内部私有数据集样本被用于测试(见表1)。分割后,应用了后处理形态学滤波(即侵蚀和膨胀),从所有比较方法生成的二进制掩模中去除伪影和小白色区域。 

        cGAN-Unet在DDSM测试样本上提供了所有计算指标的最佳结果,具有非常显著的准确性,Dice和Jaccard分数(分别约为97%,94%和89%)。然而,在内部私有数据集上,cGAN-AutoEnc在Dice, Jaccard和Sensitivity方面比cGAN-Unet产生更好的结果(分别为+2%,+4%和+12%),这表明cGAN-AutoEnc已经学习了更广义的肿瘤特征表示,因为它在未用于训练的数据集上表现更好。虽然cGAN-AutoEnc的准确率(94.81%)并不高于FCN(94.84%)和cGAN-Unet(95.55%),但前者的真阳性率(97.26%)非常可观,其中Dice和Jaccard的真阳性率最高(分别为88.94%和80.08%)。FCN模型获得了最高的真阴性率(99.05%),但其灵敏度(80.02%)低于两种cGAN模型,它比cGAN模型遗漏了更多的真实肿瘤区域。另一方面,尽管U-Net和FCN方法在DDSM数据集上表现相对较好,但U-Net和CRFCNN在私有数据集上的灵敏度和特异性都较差。

        从DDSM数据集中选择的80%的图像用于训练我们的分类器,使用其相应的质量形状标签的基础真值,使用分层的10次交叉验证,每一次50次epoch。剩下的20%的图像用于测试,总体精度约为72%。

        肿瘤形态对预测乳腺癌分子亚型有重要作用[18]。因此,计算了内部私有数据集的乳腺癌分子亚型类别与四种形状类别之间的相关性。如表2所示,Luminal-A和-B组大多属于不规则和小叶形状类。此外,一些与Luminal-A相关的图像被分配为椭圆形。反过来,椭圆形和圆形肿块指示Her-2和基底样群,以及一些与基底样相关的图像中等程度地分配给小叶类。 

5. 总结

        提出了两个版本的cGAN网络用于乳房质量分割:cGAN- autoenc和cGAN- unet。两种版本的生成网络分别与FCN和U-Net网络结构相似。实验结果证实,在公开的DDSM数据集上,对抗网络的加入显著提高了分割性能,Dice系数和Jaccard指数分别提高了6%和9%。反过来,在内部私有数据集上,这两个指标分别提高了+2%和+2%。总的来说,CRFCNN提供的测试结果更差。此外,还证明了一个相当简单的CNN架构足以从它们的二进制掩模中区分质量形状的形状相关类。未来的工作旨在通过使用大型数据集和使用鲁棒损失函数(如负对数似然和骰子损失函数)来提高所提出系统的收敛性和准确性,从而提高总体精度(72%)。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1874646.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【移动应用开发期末复习】第五/六章例题

系列文章 第一章——Android平台概述 第一章例题 第二章——Android开发环境 第二章例题 第三章 第三章例题 第四章 第五/六章 系列文章RadioGroup 是一个Android特有的布局容器,用于包含多个RadioButton组件。当用户选择其中一个RadioButton时,RadioGroup会自动取消其他Rad…

CS-隐藏防朔源-数据转发-iptables(Linux自带的防火墙)

免责声明:本文仅做技术交流与学习... 目录 准备环境: 1-iptables转发机设置转发: 2-CS服务器配置iptables服务器的IP 准备环境: 两台外网服务器. --iptables服务器就是做一个中转...封了中转就没了... 1-iptables转发机设置转发: iptables -I INPUT -p tcp -m tcp --dport 8…

【FFmpeg】avio_open2函数

【FFmpeg】avio_open2函数 1.avio_open21.1 创建URLContext(ffurl_open_whitelist)1.1.1 创建URLContext(ffurl_alloc)1.1.1.1 查找合适的protocol(url_find_protocol)1.1.1.2 为查找到的URLProtocol创建UR…

【前端项目笔记】6 参数管理

参数管理 效果展示: 在开发功能之前先创建分支goods_params cls 清空终端 git branch 查看所有分支 git checkout -b goods_params 新建分支goods_params git push -u origin goods_params 把本地的新分支推送到云端origin并命名为goods_params 参数管理需要维…

报餐小程序可以运用在饭堂的哪方面

随着科技的快速发展,智能化、信息化的管理方式逐渐渗透到我们日常生活的方方面面。在饭堂管理中,报餐小程序的应用为传统的餐饮管理方式带来了革命性的变革。本文将探讨报餐小程序在饭堂管理中的应用及其带来的优势。 一、报餐小程序的基本功能 报餐小程…

GIT 基于master分支创建hotfix分支的操作

基于master分支创建hotfix分支的操作通常遵循以下步骤: 切换到master分支: 首先,确保你的工作区是最新的,并且你在master分支上。如果不在master分支,你需要先切换过去。 Bash git checkout master 拉取最新的master…

鸿蒙开发设备管理:【@ohos.distributedHardware.deviceManager (设备管理)】

设备管理 本模块提供分布式设备管理能力。 系统应用可调用接口实现如下功能: 注册和解除注册设备上下线变化监听发现周边不可信设备认证和取消认证设备查询可信设备列表查询本地设备信息,包括设备名称,设备类型和设备标识 说明&#xff1a…

ATFX汇市:美国5月PCE数据来袭,EURUSD或迎剧烈波动

ATFX汇市:今日20:30,美国商务部将公布5月核心PCE物价指数年率,前值为2.8%,预期值2.6%,预期下降0.2个百分点。PCE数据是美联储进行货币政策决策的重要依据,尤其是核心PCE年率,向下波动会增加降息…

【LeetCode】一、数组相关:双指针算法 + 置换

文章目录 1、算法复杂度1.1 时间复杂度1.2 空间复杂度 2、数组3、leetcode485:最大连续1的个数4、leetcode283:移动05、leetcode27:移除元素 1、算法复杂度 1.1 时间复杂度 算法的执行时间与输入值之间的关系(看代码实际总行数的…

J2EE框架之mybatis学习——连接数据库实现查询操作

J2EE框架之mybatis学习——连接数据库实现查询操作 作业要求: 作者:杨建东 关于具体内容我正准备更新至我的CSDN【被瞧不起的神】也可移步我的公众号【猿小馆】 结合老师的课件和黑马程序员的课程学习。 因为我上课老师已经讲过了基本的概念和理解&a…

Swagger与RESTful API

1. Swagger简介 在现代软件开发中,RESTful API已成为应用程序间通信的一个标准。这种架构风格通过使用标准的HTTP方法来执行网络上的操作,简化了不同系统之间的交互。API(应用程序编程接口)允许不同的软件系统以一种预定义的方式…

西安电子科技大学微电子/集成电路801考研第一名学长经验分享

西安电子科技大学801考研经验贴 24 届上岸杭研微电子,以下是我的初试成绩,在这里给学弟学妹们分享一下初试复习经验,希望对大家有帮助,有疑问可以在会员群私聊我; 专业课杭研第一名,当时跟的研梦考研小孙学…

流水线作业模拟程序

目录 一 设计原型 二 后台源码 一 设计原型 二 后台源码 namespace 流水线作业模拟 {public partial class Form1 : Form{public Form1(){InitializeComponent();}private int Count 0;private bool IsStop false;private void uiLight1_Click(object sender, EventArgs e…

Jenkins容器的部署

本文主要是记录如何在Centos7上安装docker,以及在docker里面配置tomcat、mysql、jenkins等环境。 一、安装docker 1.1 准备工作 centos7、VMware17Pro 1.2 通过yum在线安装dokcer yum -y install docker1.3 启动docker服务 systemctl start docker.service1.4 查看docke…

Python 中的抽象语法树

Abstract Syntax Trees in Python 注:机翻,未校对。 Requirement: All examples are compatible with at least Python v3.6, except for using ast.dump() with the attribute indent which has been added in Python v3.9. 要求:所有示例至…

黑马点评的程序登录界面点击了发送验证码之后弹出红色异常框之后又返回登录页面

分析原因是因为token为null,然后执行了response.setStatus 401然后就出现这个问题,只要注释了这行就行了,就能正常登录!~

3d模型怎么一缩放模型都散了?---模大狮模型网

在3D建模和渲染中,缩放是常见的操作,用来调整模型的大小以适应不同场景或视角需求。然而,有时在进行缩放操作时,模型可能会出现不希望的散乱现象,这可能导致模型的外观和结构受到影响。模大狮将探讨为何会出现这种问题…

什么软件可以做计划 能做待办计划的app

在快节奏的现代生活中,做计划已成为许多人提高效率、管理时间的重要方法。无论是学生安排学习进度,还是职场人士规划工作任务,一份清晰的计划都能帮助我们更好地掌控生活节奏,实现目标。 选择一款好用的待办软件来做计划&#xf…

LSS论文与代码详解

本文首发于公众号【DeepDriving】,欢迎关注。 0. 前言 最近几年,BEV感知是自动驾驶领域中一个非常热门研究方向,其核心思想是把多路传感器的数据转换到统一的BEV空间中去提取特征,实现目标检测、地图构建等任务。如何把多路相机的…

Unity UGUI 实现简单两点连线功能

实现 记录鼠标点击位置为线段起点。 posStart Input.mousePosition; 创建一个Image 作为线段。 line new GameObject("line"); rtLine line.AddComponent<RectTransform>(); rtLine.pivot new Vector2(0, 0.5f); rtLine.localScale Vector3.one; img…