一種乳腺X線影像腫塊的多特征融合檢測算法
電子技術應用
吳明明，顧春華
（上海理工大學 光電信息與計算機工程學院，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，提出了一種改進的自動檢測算法。將擴張殘留網絡（Dilated Residual Network，DRN）結合重新設計的特征金字塔網絡（Feature Pyramid Network，FPN）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；再擴充網絡的深度，使其輸出滿足FPN所需的輸入；在FPN結構中，采用注意力機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的位置和細節(jié)信息。仿真實驗顯示，所設計的模型在CBSI-DDSM數據集上的檢測精度相比于基準模型提升了7.1%。
中圖分類號：TP391.9
文獻標志碼：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]. 電子技術應用，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.
文獻標志碼：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]. 電子技術應用，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%。由國際癌癥機構（IARC）在2020 年發(fā)布的《2020年全球癌癥負擔報告》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。女性乳腺癌已經超過肺癌成為最常見的癌癥。隨著深度學習在計算機視覺、醫(yī)學圖像等領域的發(fā)展，用于檢測乳腺腫塊的計算機輔助系統已成為預防乳腺癌的重要技術手段。
目前，一些基于雙階段檢測算法的CAD系統已經應用于醫(yī)學圖像的檢測。2020年,Liu引入了二部圖卷積網絡，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個設計缺陷進行了改進，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,模型應用在CBIS-DDSM數據集上比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），將主干網絡（backbone）中加入CSA模塊，結合cascade R-CNN進一步提高了對乳腺腫塊的檢測精度。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000005389
作者信息：
吳明明，顧春華
（上海理工大學 光電信息與計算機工程學院，上海 200093）
此內容為AET網站原創(chuàng)，未經授權禁止轉載。