深度CNN与多级阈值技术结合的乳腺肿块快速检测

"这篇学术论文探讨了一种基于多级阈值深度卷积神经网络(CNN)的乳腺肿块快速检测系统，旨在提升乳腺癌的早期诊断效率。该系统由预处理、多层乳腺组织分割和最终肿块检测三个模块构成。在预处理阶段，使用改进的Deeplabv3+模型移除胸肌；接着，采用多阈值分割方法识别肿块并提取图像块；最后，利用深度学习模型对图像块进行分类，通过非最大值抑制算法减少误报。实验结果显示，该方法在CBIS-DDSM和INbreast数据集上的表现优于现有技术，具有较高的检测灵敏度和较低的假阳性率，为乳腺肿块检测提供了有效工具。" 本文研究的焦点在于利用深度学习技术提高乳腺肿块的自动检测速度和准确性。首先，预处理步骤中，作者应用了Deeplabv3+模型的改进版本，这是一种深度学习模型，擅长于语义分割任务，能够准确地从X射线摄影图像中分离出胸肌部分，以便后续分析乳腺区域。 其次，提出了一种多级阈值分割方法，用于乳腺肿块的定位。这种方法通过设定不同阈值，将图像分割成多个连通分量(ConC)，每个ConC可能对应一个潜在的肿块。然后，选取每个ConC对应的图像块进行进一步的肿块检测，这有助于减少背景噪声的影响。 在检测阶段，每个图像块通过预先训练的深度学习模型进行分类，区分乳腺肿块和正常组织。这种模型可能是基于CNN的，因为CNN在图像识别和分类任务中表现出色。为了降低检测结果中的误报，采用了非最大值抑制(NMS)算法，它能合并和去除重叠的检测结果，从而提高检测的精确性。 最后，论文表明，该方法在两个公开数据集——CBIS-DDSM和INbreast上的实验结果令人满意。在CBIS-DDSM上，该方法在保持较低的假阳性率(2.86 FPI)的同时，检测灵敏度达到了0.87。而在INbreast数据集上，灵敏度更是达到了0.96，假阳性率仅为1.29。这些结果表明，该系统具有很高的检测能力和较低的误报率，对乳腺癌的早期筛查有着重要的临床价值。 这篇论文提出了一种结合深度学习和多级阈值分割的乳腺肿块检测方法，通过优化各个步骤，提升了检测的准确性和效率。这种方法对于提升乳腺癌筛查的质量，以及降低漏诊和误诊的风险具有重要意义。