如何做网站登录界面,松江外贸网站建设,中国做外贸最好的网站有哪些,mod_rewrite wordpress深度学习技术正在彻底改变医学图像分析领域#xff0c;因此在本研究中#xff0c;我们提出了卷积神经网络 (CNN) 用于乳腺肿块检测#xff0c;以最大限度地减少手动分析的开销。CNN 架构专为特征提取阶段而设计#xff0c;并采用了更快的 R-CNN 的区域提议网络 (RPN) 和感兴…深度学习技术正在彻底改变医学图像分析领域因此在本研究中我们提出了卷积神经网络 (CNN) 用于乳腺肿块检测以最大限度地减少手动分析的开销。CNN 架构专为特征提取阶段而设计并采用了更快的 R-CNN 的区域提议网络 (RPN) 和感兴趣区域 (ROI) 部分以实现乳腺肿块异常的自动检测。
模型可检测乳房 X 光检查 (MG) 图像中的肿块区域并一次性将其分类为良性或恶性异常。对于所提出的模型MG 图像是从本地的不同医院收集的。图像经过不同的预处理阶段例如高斯滤波器、中值滤波器、双边滤波器并从 MG 图像的背景中提取乳房区域。
1. 介绍
微钙化和肿块是乳腺癌的最早迹象只能使用成像方式检测到。根据乳腺异常的侵袭阶段异常可能是良性的或恶性的。与检测微钙化相比检测乳房组织中的肿块更具挑战性。
Organization 等人 (2006) 的研究表明种族、地理位置和其他风险因素会决定乳腺癌的发展。在这项工作中我们提出了基于卷积神经网络 (CNN) 的乳腺肿块检测方法以同时定位肿块并将其分类为良性或恶性异常。为了训练、验证和测试该方法我们从不同站点收集了数据集。
2. 方法论
2.1 数据集
这项工作仅考虑了收集的 MG 图像中的肿块异常即 1588 张具有肿块异常的完整乳房 X 射线图像这些图像由专业放射科医生使用 labelMe Russell et al (2008) 注释工具进行注释。
2.2 方法
开发了基于 CNN 的乳腺肿块异常检测模型该模型可自动检测肿块异常的感兴趣区域并将其分类为 MG 图像中的良性或恶性。
对 INbreast Moreira 等人2012 年拍摄的 116 张完整 MG 图像和 CBIS-DDSM Lee 等人2017 年拍摄的 1380 张完整 MG 图像进行了预处理和增强以便为训练我们的模型和本地收集的数据集提供初始权重。
2.2.1 数据收集
表 1 中描述的数据集是从埃塞俄比亚的不同医院收集的 2.2.2 MG图像预处理
为了提高数据质量并以适合深度学习训练的方式准备数据对数据进行了预处理。为了消除图像中的噪声应用了高斯滤波、中值滤波和双边滤波。随后使用对比度限制自适应直方图均衡化 (CLAHE) 增强图像然后进行形态学操作和 OTSU 阈值处理以从背景中提取乳房区域并从 MG 中去除非乳房区域部分例如伪影、标签、患者资料等。
2.2.3 模型训练 Bounding box regressor边框回归器在计算机视觉和目标检测中用于预测目标物体的边界框Bounding Box的位置和大小。其目标是从给定的物体位置通常是一个初始边界框开始通过学习和预测修正值使得模型能够准确地预测物体的边界框。这些修正值通常是相对于初始边界框的偏移量包括水平偏移、垂直偏移、宽度缩放和高度缩放。 特征提取部分有一系列五个卷积层每个卷积层分别有 (64, 128, 256, 512,512) 数量的卷积核。每个卷积层后面都是 Relu 激活层、批量归一化层、最大池化层和 dropout但第二层除外它既没有 dropout 也没有最大池化。
通过调整 Faster R-CNN Ren et al (2015) 的 ROI Pooling 部分的锚点边界框尺度、RPN 和最大池化的比率它被用于检测肿块异常。我们使用了 9 个锚点锚点框尺度分别为 32 × 32、64 × 64 和 128 × 128 像素锚点框宽高比为 [1, 1]、[, ] 和 [, ]ROI 最大池化大小为 (5,5)。 使用 0.9 动量、500 个 epoch、0.00001 学习率、RPN 的 Adam 和整个模型的随机梯度下降 (SGD) 作为优化器。所提出的模型是使用 Python 和 Keras 实现的其中 Tensorflow 用作后端。
3. 结果与讨论
描述了一种基于 CNN 的方法用于检测肿块区域并将其分为良性和恶性。研究了在本地多中心 MG 数据集中一次性检测、定位肿块异常并将其分类为良性或恶性。很难将我们的检测结果与以前的本地研究直接进行比较。因此我们对基于 VGG 的更快 R-CNN Ren et al (2015) 架构进行了训练、验证和测试以便使用收集到的数据集与我们模型的性能进行比较。在收集到的所有图像中选择了 1588 张包含肿块异常的完整 MG 图像然后由专业放射科医生使用 labelMeRussell et al (2008) 注释工具对其进行注释。在 1588 张 MG 图像中有 1683 个乳腺肿块异常。数据集被随机分成 80% 用于训练、10% 用于验证和 10% 用于测试。
对 INbreast Moreira 等人2012 年、CBIS-DDIS Lee 等人2017 年执行了相同的流水线预处理并为所提出的模型和基于 VGG 的Faster R-CNN 收集了本地 MG 数据集。
在预处理阶段将不同的成像格式例如 DICOM 医学图像格式转换为 .png 图像格式去除噪音从背景中提取乳房区域删除患者信息清除伪影和其他不需要的物体。分别使用 3×3 和 5×5 大小的高斯、中等和横向滤波器进行降噪并使用 MSE 评估去噪结果。在考虑的两种卷积核尺寸中最终使用了 3×3 大小的卷积核。此外使用 CLAHE 增强去噪后的 MG 图像然后提取乳房区域并使用 OTSU 和形态学操作去除不需要的伪影。
