目的 乳腺癌是常见的高发病率肿瘤疾病,早期确诊是预防乳腺癌的关键.为获得肿瘤准确的边缘和形状信息,提高乳腺肿瘤诊断的准确性,本文提出了一种结合残差路径及密集连接的乳腺超声肿瘤分割方法.方法 基于经典的深度学习分割模型U-Net,添加残差路径,减少编码器和解码器特征映射之间的差异.在此基础上,在特征输入层到解码器最后一步之间引入密集块,通过密集块组成从输入特征映射到解码最后一层的新连接,减少输入特征图与解码特征图之间的差距,减少特征损失并保存更有效信息.结果 将本文模型与经典的U-Net模型、引入残差路径的U-Net(U-Net with Res paths)模型在上海新华医院崇明分院乳腺肿瘤超声数据集上进行10-fold交叉验证实验.本文模型的真阳率(true positive,TP)、杰卡德相似系数(Jaccard similarity,JS)和骰子系数(Dice coefficients,DC)分别为0.870 7、0.803 7和0.882 4,相比U-Net模型分别提高了1.08％、2.14％和2.01％;假阳率(false positive,FP)和豪斯多夫距离(Hausdorff distance,HD)分别为0.1040和22.311 4,相比U-Net模型分别下降了1.68％和1.410 2.在54幅图像的测试集中,评价指标JS ＞0.75的肿瘤图像数量的总平均数为42.1,最大值为46.对比实验结果表明,提出的算法有效改善了分割结果,提高了分割的准确性.结论 本文提出的基于U-Net结构并结合残差路径与新的连接的分割模型,改善了乳腺超声肿瘤图像分割的精确度.
NETL
NSTL
万方数据
维普
