一种基于边缘的选择方法,用于改进乳腺超声图像中多个深度学习对象检测模型获得的感兴趣区域定位
摘要
1.简介
2.方法和材料
2.1. 提出的基于边缘的选择方法
2.2. 采用所提出的基于边缘的选择方法来分析由更快的R-CNN、SSD、EfficientDet-D0和CenterNet模型生成的ROI,并选择能够有效检测包含肿瘤的区域的ROI
2.2.1. 公交车图像到人工RGB图像的转换
2.2.2. 利用更快的R-CNN模型定位包含肿瘤的ROI
2.2.3. 利用SSD模型定位包含肿瘤的ROI
2.2.4. 利用高效Det-D0模型定位含有肿瘤的ROI
2.2.5. 利用CenterNet模型定位包含肿瘤的ROI
2.2.6. 利用所提出的基于边缘的选择方法选择能够有效检测肿瘤区域的ROI
2.3. 绩效评估
2.3.1. 总线图像数据集
2.3.2. 使用UJH数据集评估所提出的基于边缘的选择方法和四个深度学习对象模型的性能
2.3.3. 使用UJH数据集比较所提出的基于边缘的选择方法与其他基线组合方法的性能
2.3.4. 使用BUSI数据集评估所提出的基于边缘的选择方法和四个深度学习对象模型的泛化性能
3.结果
3.1. 所提出的基于边缘的选择方法和使用UJH数据集的四个深度学习对象模型获得的结果
3.2. 使用UJH数据集将建议的基于边缘的选择方法与其他基线组合方法进行比较的结果
3.3. 基于边的选择方法和四个深度学习对象模型在BUSI数据集上的泛化结果
4.讨论
5.结论
作者贡献
基金
机构审查委员会声明
知情同意书
数据可用性声明
致谢
利益冲突
工具书类
宋,H。; Ferlay,J。; 西格尔,R.L。; Laversanne,M。; Soerjomataram,I。; 杰马尔,A。; Bray,F.《2020年全球癌症统计:GLOBOCAN对185个国家36种癌症的全球发病率和死亡率进行了估计。 加州癌症杂志临床。 2021 , 71 , 209–249. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 卡普兰,L.乳腺癌的延迟:对诊断阶段和生存期的影响。 前面。 公共卫生 2014 , 2 , 87. [ 谷歌学者 ] [ 交叉参考 ] Tran,T.X.M.公司。; Kim,S。; 宋,H。; Park,B.75岁及75岁以上韩国女性的乳房X线密度、体重指数和乳腺癌风险。 国际癌症杂志 2022 , 151 , 869–877. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Wu,T。; Warren,L.对致密乳房女性进行补充乳房超声筛查的附加价值:加拿大单中心经验。 可以。 无线电协会。 J。 2021 , 73 , 101–106. [ 谷歌学者 ] [ 交叉参考 ] R.M.曼恩。; Cho,N。; Moy,L.乳腺MRI:最新进展。 放射科 2019 , 292 , 520–536. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 毛永杰。; H.J.Lim。; 镍,M。; 严,W.H。; Wong,D.W.C。; Cheung,J.C.W.利用超声弹性成像和机器学习对乳腺肿瘤进行分类:一项系统范围界定综述。 癌症 2022 , 14 , 367. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] AlSawaftah,N。; El-Abed,S.公司。; Dhou,S。; 早期乳腺癌检测的微波成像:现状、挑战和未来方向。 J.成像 2022 , 8 , 123. [ 谷歌学者 ] [ 交叉参考 ] W.A.Berg。; 古铁雷斯,L。; NessAiver,医学硕士。; 卡特,W.B。; Bhargavan先生。; 刘易斯,R.S。; Offe,O.B.乳腺造影术、临床检查、US和MR成像在乳腺癌术前评估中的诊断准确性。 放射科 2004 , 233 , 830–849. [ 谷歌学者 ] [ 交叉参考 ] 谢尔,J.R。; Lee,J.M。; 斯普拉格,B.L。; 李,C.I。; Lehman,C.D.筛查超声作为乳房X光检查的辅助手段,用于乳房X光密度高的女性。 Am.J.Obset.美国律师协会。 妇科。 2015 , 212 , 9–17. [ 谷歌学者 ] [ 交叉参考 ] 塔利亚菲科,A.S。; 马里斯科蒂,G。; 瓦尔多拉,F。; 杜兰多,M。; Nori,J。; 拉福吉亚,D。; Houssami,N.《乳腺X射线照相阴性致密乳房女性辅助筛查与断层合成或超声波的前瞻性对比试验》(ASTOUND-2)。 《欧洲癌症杂志》 2018 , 104 , 39–46. [ 谷歌学者 ] [ 交叉参考 ] Bahl,M.乳腺超声人工智能:它会影响放射科医生的准确性吗? J.乳房成像 2021 , 三 , 312–314. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 基于图像的乳腺癌检测、分割和分类方法综述。 专家系统。 申请。 2021 , 182 , 115204. [ 谷歌学者 ] [ 交叉参考 ] 刘,S。; Wang,Y。; 杨,X。; 雷,B。; 刘,L。; Li,S.X。; Wang,T.医学超声分析的深度学习:综述。 工程类 2019 , 5 , 261–275. [ 谷歌学者 ] [ 交叉参考 ] 明月,W.K。; 黄,Y.S。; Lo、C.M。; 黄,C.S。; Bae,M.S。; Kim,W.H。; Chang,R.F.基于超声纹理特征鉴别三阴性乳腺癌和纤维腺瘤的计算机辅助诊断。 医学物理。 2015 , 42 , 3024–3035. [ 谷歌学者 ] [ 交叉参考 ] 蔡,L。; 王,X。; Wang,Y。; 郭毅。; Yu,J。; Wang,Y.用于乳腺超声图像分类的鲁棒的基于相位的纹理描述符。 生物识别。 工程在线 2015 , 14 , 26. [ 谷歌学者 ] [ 交叉参考 ] Nemat,H。; Fehri,H。; 内贾德,N。; 弗兰基,A.F。; Gooya,A.使用稀疏logistic回归和基于形态的纹理特征对乳腺病变进行超声分类。 医学物理。 2018 , 45 , 4112–4124. [ 谷歌学者 ] [ 交叉参考 ] Byra,M。; Galperin,M。; Ojeda-Fournier,H。; 奥尔森,L。; 奥博伊尔,M。; 康斯托克,C。; Andre,M.使用深度卷积神经网络和颜色转换进行转移学习的超声检查乳腺肿块分类。 医学物理。 2019 , 46 , 746–755. [ 谷歌学者 ] [ 交叉参考 ] Cao,Z。; 段,L。; Yang,G。; Yue,T。; Chen,Q.利用深度学习架构从超声图像中检测和分类乳腺病变的实验研究。 BMC医学成像 2019 , 19 , 51. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 西安,M。; Zhang,Y。; Cheng,H.D.基于空间域和频域中的乳腺特征的乳腺超声图像的全自动分割。 模式识别。 2015 , 48 , 485–497. [ 谷歌学者 ] [ 交叉参考 ] Shan,J。; Cheng,H.D。; Wang,Y.使用多域特征的乳腺超声图像的全自动分割方法。 超声医学生物学。 2012 , 38 , 262–275. [ 谷歌学者 ] [ 交叉参考 ] 刘,B。; Cheng,H.D。; 黄,J。; 田,J。; 唐,X。; Liu,J.基于超声图像局部纹理分析的乳腺肿瘤全自动分割立体分类。 模式识别。 2010 , 43 , 280–298. [ 谷歌学者 ] [ 交叉参考 ] 刘伟。; 安格洛夫,D。; Erhan,D。; 塞格迪,C。; 里德,S。; Fu,C.Y。; Berg,A.C.SSD:单发多盒探测器。 《欧洲计算机视觉会议记录》,荷兰阿姆斯特丹,2016年10月8日至16日; 第21-37页。 [ 谷歌学者 ] Girshick,R.Fast R-CNN。 2015年12月11日至18日在智利拉斯康德斯举行的IEEE计算机视觉国际会议记录; 第1440–1448页。 [ 谷歌学者 ] 任,S。; He,K。; Girshick,R。; Sun,J.Faster R-CNN:利用区域提议网络实现实时目标检测。 IEEE传输。 模式分析。 机器。 智力。 2017 , 39 , 1137–1149. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 雷德蒙,J。; 迪瓦拉,S。; Girshick,R。; Farhadi,A.你只看一次:统一的实时对象检测。 2016年6月27日至30日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第779–788页。 [ 谷歌学者 ] 雷德蒙,J。; Farhadi,A.YOLOv3:渐进式改进。 arXiv公司 2018 ,arXiv:1804.02767。 [ 谷歌学者 ] Duan,K。; Bai,S。; 谢林。; 齐,H。; 黄,Q。; Tian,Q.CenterNet:目标检测的关键点三元组。 2019年10月27日至11月2日,韩国首尔,IEEE/CVF国际计算机视觉会议记录; 第6568-6577页。 [ 谷歌学者 ] 刘,G。; 吴杰。; Yang,H。; 李,Y。; 太阳,X。; Tan,J。; Luo,B.基于主动学习和深度学习的乳腺超声肿瘤检测。 2021.在线提供: www.easychair.org/publications/prepint_download/8WGV (2022年6月6日访问)。 Tan,M。; Pang,R。; Le,Q.V.EfficientDet:可扩展且高效的对象检测。 《IEEE/CVF计算机视觉和模式识别会议论文集》,美国华盛顿州西雅图,2020年6月13日至19日; 第10781–10790页。 [ 谷歌学者 ] Yap,M.H。; 戈亚尔,M。; 奥斯曼,F。; 马蒂,R。; 丹顿,E。; 朱特,A。; Zwiggelaar,R.乳腺超声感兴趣区域检测和病变定位。 Artif公司。 因特尔。 医学。 2020 , 107 , 101880. [ 谷歌学者 ] [ 交叉参考 ] 索里亚,X。; Riba,E。; Sappa,A.Dense extreme inception network:走向用于边缘检测的稳健CNN模型。 《IEEE计算机视觉应用冬季会议论文集》,美国科罗拉多州雪马村,2020年3月1日至5日; 第1912-1921页。 [ 谷歌学者 ] Glasbey,C.A.基于直方图的阈值算法分析。 CVGIP:图形。 模型。 图像处理。 1993 , 55 , 532–537. [ 谷歌学者 ] [ 交叉参考 ] He,K。; 张,X。; 任,S。; Sun,J.图像识别的深度残差学习。 2016年6月27日至30日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第770-778页。 [ 谷歌学者 ] Russakovsky,O。; 邓,J。; 苏,H。; 克劳斯,J。; Satheesh,S。; 马,S。; Fei-Fei,L.ImageNet大规模视觉识别挑战。 国际期刊计算。 视觉。 2015 , 115 , 211–252. [ 谷歌学者 ] [ 交叉参考 ] 林,T.Y。; Maire,M。; Belongie,S。; 海斯,J。; 佩罗纳,P。; 拉马南,D。; Zitnick,C.L.Microsoft COCO:上下文中的通用对象。 2014年9月6日至12日在瑞士苏黎世举行的欧洲计算机视觉会议记录; 第740-755页。 [ 谷歌学者 ] 苗,X。; 刘,X。; 陈,J。; 庄,S。; 范,J。; Jiang,H.使用单点多箱探测器进行输电线路检查的航空图像中的绝缘子检测。 IEEE接入 2019 , 7 , 9945–9956. [ 谷歌学者 ] [ 交叉参考 ] Tan,M。; Le,Q.EfficientNet:重新思考卷积神经网络的模型缩放。 2019年6月10日至15日,美国加利福尼亚州长滩,国际机器学习会议记录; 第6105-6114页。 [ 谷歌学者 ] Al-Dhabyani,W。; 戈马,M。; Khaled,H。; Fahmy,A.乳腺超声图像数据集。 数据简介。 2020 , 28 , 104863. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Bottou,L.具有随机梯度下降的大规模机器学习。 2010年8月22日至27日,法国巴黎,国际计算统计会议记录; 第177-186页。 [ 谷歌学者 ]