乳腺超声图像分割的新方法：调整快速移位相位保持动态范围压缩

医学信息学解锁20（2020）100344调整后的快移相位保持动态范围压缩一种乳腺病变分割方法法蒂玛·MOsmana，*，Moi Hoon Yapba苏丹喀土穆苏丹科技大学b曼彻斯特城市大学，M1 5GD，英国A R T I C L EI N FO保留字：乳腺超声病变分割乳腺癌完全卷积网络转移学习深度学习常规分割A B S T R A C T超声成像系统产生受散斑影响的图像。这主要是由于换能器孔径处的返回波的干扰降低了图像质量。由于滤波阶段影响了乳腺超声图像分割的质量，最近的研究主要集中在使用不同的数学方法来消除斑点。在本文中，我们提出了一种新的方法分割的乳房超声图像称为调整快速移位相位保持动态范围压缩（AQS-APPDRC）。AQS-APPDRC包括三个步骤：一个预处理步骤，应用APPDRC滤波器和弗罗斯特滤波器，然后提出调整快速移位分割的超像素提取，和一个后处理步骤的二进制消隐保持斑点选择。我们提出的AQS-APPDRC分割的结果进行了比较，与其他两个传统的分割方法，即：QS-FR，和QS-PPDRC。此外，本研究还考虑了两种最先进的卷积神经网络（CNN），即U-Net和FCN（FCN-AlexNet，FCN-32和FCN-16）进行比较。在两个小的乳房超声数据集上评估分割结果，其中数据集A具有306个图像，数据集B具有163个图像。当在数据集A上进行评估时，所提出的AQS-APPDRC方法在两种传统方法和CNN中在Dice，特异性和MCC方面实现了最佳性能。对于数据集B，FCN-16显示出最佳的Dice、特异性和MCC，但拟定的AQS- APPDRC获得了相当的结果。对于灵敏度，FCN-32显示了两个数据集的最佳结果。我们的研究结果表明，对于CNN，数据集的大小始终是其性能的关键指标。传统的方法在小数据集上产生了可比的结果1. 介绍在女性癌症相关死亡中，乳腺癌是全球范围内的主要原因，2018年有超过200万新发病例和626，679例死亡[1]。为了增加治愈和恢复病例的数量，并减少乳腺癌死亡，许多研究人员对乳腺癌的早期检测表现出兴趣[2，3]。作为常规成像方式之一，超声图像用于帮助早期检测乳腺癌[4]。超声成像被认为是检测和分类乳腺异常的常用诊断工具之一[5]。尽管如此，乳腺超声图像上的病变分割仍被认为是一个悬而未决的问题，这是由于这些图像具有各种伪影，例如斑点、低对比度和模糊边界[5，6]。乳腺超声图像的分析通常通过视觉判断，诊断过程可能得到以下方面的支持：设计的特征，如形状描述符[7]，或形态和纹理描述符的组合[3]，这主要依赖于人类的经验和技术水平[6]。2017年，Huang等人[5]回顾了过去十年中提出的乳腺超声（BUS）图像分割方法。一般来说，总线处理的性能依赖于多级[8]。典型的三个依赖性阶段是：1）滤波/去噪阶段[9]; 2）通过识别疑似感兴趣区域（ROI）[10，11]进行病变的初始检测;以及3）分割[12]。在过去的几年里，机器学习方法对使用深度学习进行BUS分割的兴趣越来越大[13，14]。U-Net在超声、计算机断层扫描（CT）、磁共振成像（MRI）和其他医学成像模式中的分割方面取得了显著的性能[15]。研究人员[16，17]设计并试验了深度学习用于自动乳腺超声病变检测和识别。另一个研究* 通讯作者。电子邮件地址：fatma.m. gmail.com（F.M.Osman）。https://doi.org/10.1016/j.imu.2020.100344接收日期：2019年12月19日;接收日期：2020年4月29日;接受日期：2020年5月3日2020年5月25日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuF.M. Osman和M.H. Yap医学信息学解锁20（2020）1003442ðÞ提出了一种使用语义分割进行乳腺病变识别的深度学习方法[14]。然而，缺乏通用数据集是乳腺超声分割成为一个具有挑战性的问题的主要原因之一，因为最近提出的算法的性能无法得到充分评估[6]。在本文中，我们提出了一种新的算法，即调整快速移位（AQS-APPDRC）的分割乳腺超声图像，其中包括三个主要步骤。在预处理步骤中，应用APPDRC滤波器[9]和Frost滤波器（FR）[18]的组合。然后，提出的调整快速移位（AQS）应用于分割步骤。最后，使用二进制消隐来选择斑点。此外，本文还对目前最新的总线分段算法进行了简要的回顾。为了更好地理解图像处理算法和最先进的深度学习算法的乳腺病变分割性能，我们在全乳腺超声图像上试验了两种传统方法和两种最先进的卷积神经网络（CNN）方法。因此，我们对传统分割方法和CNN分割方法进行了比较。我们提出的新方法（AQS-APPDRC）在两个小型BUS数据集的完整图像上进行评估时，取得了与CNN相当的结果。在材料和方法部分，考虑的方法在分割阶段的比较，介绍了数据集和性能指标，用于评估分割算法。在结果部分中，在两个数据集（即数据集A和数据集B）上测试所考虑的每个方法。研究结果进行了讨论，并报告分割方法之间的比较。最后一节是结束语和未来趋势。2. 相关工作图像分割被定义为将该图像的每个对象与其其余部分隔离的过程，其中对象与背景不重叠[19]。分割乳腺超声图像的目的是区分病变和正常组织。在本节中，我们对传统方法进行了简要回顾;如需进一步回顾，请参阅Huang等人[5]。此外，还讨论了一些流行的用于医学图像分割的深度学习方法。2.1. 常规方法在2002年，一个旧的模式识别程序基本上被用作他们的技术的计算模块，称为均值漂移[20]。对于离散数据，证明了递归均值漂移方法的收敛性，并证明了递归均值漂移方法的收敛性。此外，他们还建立了均值漂移过程与来自核回归的Nadaraya-Watson估计量和位置的鲁棒M估计量的等价性。他们的实验结果显示了所描述的三个应用程序的出色性能，即两个低级视觉任务，不连续性保持平滑和图像分割[20]。2008年，Vedaldi et al.[21]已经证明，均值漂移被认为比中点漂移算法慢，这是因为使用小常数，具有潜在的欧几里得距离，中点漂移算法在聚类N个点时的复杂度为O N2。在利用核方法时，均值移位和中心点移位都被扩展到一个大的距离族，其复杂性由所得核矩阵的有效秩限制，并且具有显式的正则化约束。根据他们的结果，他们发现medoid移位会导致过度碎片化，因为它无法对属于同一模式的数据点进行聚类。为了解决这个问题，他们引入了一种新的高效聚类算法，称为快速转移。他们提出的快速移位算法简单地在非欧几里德空间中操作，并明确地摆脱了欠碎片和过碎片。Cui等人[22]提出了一种用于乳腺超声图像上肿块的自动分割方法。其中，基于用于近似显示质心的手动识别点，自动估计初始轮廓。然后，对初始轮廓进行迭代细化，并采用两阶段主动轮廓法对分割结果进行自检和校正。为了进行评价，作者使用了488幅超声图像的数据集，并将其分割结果与两名经验丰富的放射科医生的手动分割结果进行了比较。半自动分割方法需要与用户进行交互，例如设置种子或指定初始边界或感兴趣区域（ROI）。例如，2010年提出了一种用于超声图像上乳腺病变的计算机化分割方法[23]。首先，应用对比度受限的自适应直方图均衡化。然后，为了增强病变边界和去除斑点噪声，应用各向异性扩散滤波器，由一组Gabor滤波器导出的纹理描述器引导。此外，导出的滤波图像乘以约束高斯函数，以消除不属于病变的远距离像素。为了创建潜在的病变边界，应用了标记控制的分水岭变换算法。最后，通过评估平均径向导数函数来确定病变轮廓。在另一项研究中，Huang等人。[24]引入了改进的neigh-borhood模型，用于提出一种基于图形的方法，用于分割超声图像中的乳腺肿瘤。为了判断任意两个相邻子区域的出现，新的成对区域比较谓词方法利用了局部统计的优点，不受噪声的影响。提出了一种新的超声图像中病灶边缘的自动提取方法，该方法将灰度和纹理信息与经验领域知识相结合，并结合基于形状的变形模型和方向梯度。首先，作者通过去除斑点以及对比度增强来过滤图像。然后首次使用Stavros标准[24]确定图像中的种子点。根据他们的结果，实现的归一化真阳性区域重叠超过75%，手动和自动分割之间的平均边界误差为6.6像素。在同一年，一种新的算法被提出[25]，使没有关于病变的假设，其中使用分层过分割框架来收集异质特征。 考虑到超像素的多尺度特性，将超像素进行分类，并将超像素的置信度嵌套在底层。采用一种有效的条件随机场模型进行最终分割。与其他两种不同的方法相比，Hao等[25]等人的方法性能优越，能够处理各种肿瘤（良性和恶性）。最近的一些方法是建立在分割场景和基于区域传输信息的想法上的，这是因为在像素级上传输标签是嘈杂和繁琐的[26]。为了创造这些 区 域 ，的最受欢迎方法依赖把场景过度分割成超像素他们在著名的Superparsing框架内评估了不同superpix el方法的影响。他们认为三种方法是所有标准的最佳性能算法，即2004年[27]的基于图形的图像分割算法、2008年的快速移位算法[21]和2012年的简单线性迭代聚类算法[28]。因此，选择这些方法进行图像解析评估。此外，提出了一种计算图像的超像素过分割的新方法，该方法基于边缘避免小波计算区域[26]。2016年，Elawady提出了三个主要步骤的方法等[29]。在保留图像的重要特征的同时，第一步旨在去除斑点。在这一步中，我们研究了三种滤波方法，即Frost滤波、细节保持各向异性扩散和基于概率块的滤波。其次，使用两种分割方法进行乳腺病变的初始分割图：归一化切割或快速移位[21]。然后，后处理步骤是F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003443�建议从一组候选区域中选择正确的区域。 这是用从西班牙萨瓦德尔的UDIAT诊断中心获得的20个B型超声图像数据集完成的。根据地面实况图像评估性能。根据他们的结果，当与Frost Filter结合时，Quick Shift显示出最佳性能[18]。然而，其他两种滤波方法（细节保持各向异性扩散和基于概率块）提供了更好的归一化切割分割值[29]。2018年，Osman和Yap [9]提出了一种用于乳腺超声的新滤波方法，称为改变相位保持动态范围压缩（APPDRC）。采用统一的阈值分割标准，对滤波算法的性能进行了比较.由于他们首次将[30]的PPDRC滤波器应用于乳腺超声图像，因此作者得出结论，PPDRC滤波器降低了BUS图像的对比度和强度变化，因此首选通过阈值处理进行基于强度的分割。基于[30]的PPDRC滤波器，所提出的APPDRC滤波器由灰度反转步骤以及随后的线性滤波器和高斯滤波器[9]的组合组成。他们的结果显示，APPDRC滤波方法优于其他四种滤波方法。2.2. 深度学习方法卷积神经网络（CNN）[31]被认为是医学成像分割中的重要技术[32近年来，Yap等人[13，14]提出了使用语义分割进行乳腺超声病变识别的端到端深度学习方法。由于医学成像领域公开可用的数据集有限，因此数据增强和迁移学习的使用在医学图像分割中获得了极大的兴趣。在本节中，将回顾BUS分割中使用的两种流行的深度学习方法。2.3. 全卷积网络（FCN）全卷积网络（FCN）是用于语义分割的流行深度学习方法[35]。为了分割图像，AlexNet分类模型在网络层中进行了一些调整，形成了新的FCN版本，称为FCN-AlexNet [35]。在2014年举行的ImageNetChallenge中，基于16层CNN架构（VGG-16）的网络在本地化方面取得了第一名的成绩。FCN-32、FCN-16和FCN-8三种型号的设计灵感来自于VGG-16。2.3.1. U-NetU-Net是Ronneberger等人[36]提出的全卷积网络的修改和扩展版本，主要用于克服生物医学成像研究中对大规模数据集的需求。利用具有跳过连接的基于编码器-解码器的CNN的特征，并且包括使用非刚性变形，U-Net能够使用数据增强，以允许在模型的训练阶段充分使用可用的注释样本图像。有了上述方面，以及目前可用的生物医学数据集的有限大小，U-Net可能会提供令人满意的结果[36]。3. 材料和方法本节讨论乳腺超声数据集、所提出的方法、所选的深度学习方法、所研究的传统方法以及用于验证分割结果的性能指标类型。图4示出了对分割方法的评估的概述。在这项工作中，我们提出了一种新的方法AQS-APPDRC用于分割乳腺超声图像，该方法包括三个步骤：1）通过应用[9]的APPDRC滤波器进行预处理;2）调整快速移位（AQS）分割;以及3）用于斑点选择的二进制阈值化的后处理步骤。所提出的方法的结果与传统的和CNN分割方法进行了比较。 图1说明了所研究的分割方法的评估过程。使用MATLAB（R2018a，MathWorksInc. ， MA ） 在 基 于 Windows 的 PC 平 台 （ AMD A-86410 APU 和 AMDRadeon R5 Graphics，2.0 GHz和6 GB RAM）上运行。3.1. 数据集通常，超声是使用高频声波来产生人体内结构的图像的成像方法。超声图像是复杂的，因为数据组成，这可以描述的散斑信息。除了斑点，超声图像具有低对比度和模糊边界[5]。我们在本文中实验的两个数据集，数据集A和数据集B，是从2017年的一篇出版物中获得的[17]。使用B K Medical Panther 2002和BK Medical Hawk 2102 US系统（配有8-该数据集由具有一个或多个病变的不同病例组成306个B超图像中，脓肿4个，腺病13个，复杂囊肿74个，导管原位癌4个，纤维腺瘤55个，脂肪坏死6个，浸润性导管癌27个，恶性20个，微良性5个，微恶性3个，叶状肿瘤6个，单纯囊肿89个。图2（a）第一行示出了恶性病变的示例， 2（b）第一行显示良性病变的示例。11年后的2012年，数据集B从Parc Taulí Corporation（Sabadell，西班牙）的UDIAT诊断中心采集，使用Siemens ACUSON SequoiaC512系统17L5 HD线阵探头（8.5 MHz）。从不同的妇女，共收集了163个图像的平均图像大小为760 570像素，与一个或多个病变在每个图像。在163个病变图像中，有39个纤维腺瘤，40个浸润性导管癌，4个导管原位癌，2个乳头状瘤，9个未知，3个淋巴结，1个淋巴瘤和65个囊肿。图2（a）第二行示出了恶性病变的示例，并且图2第二行（b）示出了良性病变的示例。在两个数据集中，病变由经验丰富的放射科医生手动描绘。出于研究目的，数据集B和乳腺病变的相应描述由Yap等人公开提供[17 ]第10段。Fig. 1. 分割方法评价综述。F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003444图二、数据集A（第一行）和数据集B（第二行）中的图像样本：（a）恶性病变;以及（b）良性病变。图三. 原始图像（第一行）和PASCAL-VOC格式（第二行）。F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003445�3.2. 深度学习方法本研 究考虑 两种流 行的分 割算法 ，即。 U-Net 和FCN （ FCN-AlexNet [35]，FCN-32 s，FCN-16 s）。深度学习的训练模型需要大量数据，以获得适当的结果[38]。当深度学习用于医学成像时，需要考虑的一个主要问题是缺乏可用的BUS图像数据集。这主要是由于优先考虑患者隐私，因为许多医学图像尚未提供，这限制了可用性。为了克服总线研究中的数据不足问题，我们在研究中使用迁移学习。有许多非医学背景的数据集，如ImageNet（具有1000个预定义类）和PASCAL-VOC数据集（具有超过21个定义的类）。根据许多因素，如新数据集和原始数据集之间的相似性，以及新数据集的大小，网络参数和特征从广泛的域转移到特定的域（即从ImageNet和PASCAL-VOC到BUS）。对于迁移学习，我们使用了可用的FCNs预训练模型（在ImageNet和PASCAL-VOC上预训练）进行实验。然后，这些预先训练的模型在BUS训练数据集上训练，其中地面实况格式转换为PASCAL-VOC格式，如图3所示。我们已经将图像的大小调整为500 375，用于CNN网络输入。为了避免过度拟合，我们实现了5重交叉-验证。我们使用Caffe [39]框架在FCN-32 s，FCN-16 s和FCN-AlexNet上实现转移学习方法，用于乳腺超声的病变分割。我们的实验排除了FCN-8，因为与FCN-32相比，FCN-16的灵敏度显著降低。在医学成像中，保持高灵敏度对挽救生命至关重要我们使用随机梯度下降训练模型，学习率为0.0001，60个epoch，辍学率为33%。如参考文献[40]中所述，时期的数量保持在60，其中当我们进行经验实验时已经发生了收敛。因此，通过迁移学习技术，我们改进了分割任务的深度学习模型在我们的实验中，我们在GPU机器上使用深度学习Caffe框架，配置如下：CPU - Inteli7-6700@4.00Ghz，GPU - NVIDIA TITAN X12 Gb，RAM-32 Gb DDR5 226。对于U-Net实现，训练数据包括原始超声乳房图像和二进制掩模格式的地面实况图像。该网络使用Adam优化器[41]进行训练，学习率为0.0001和300 epoch。3.3. 常规方法我们在小节中讨论传统的方法，因为它见图4。数据集A（第一和第二行）和数据集B（第三和第四行）上的拟议方法AQS-APPDRC的阶段：（a）原始图像;（b）应用APPDRC和FR滤波器;（c）拟议的调整后快速移位（AQS）超像素;（d）二进制数据保持;以及（e）与地面实况描绘重叠F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003446ðÞ¼¼-（8）多阶段的性质，如图所示。1.一、3.3.1. 预处理在传统的乳腺超声图像分割方法中，斑点噪声抑制是一个必不可少的预处理步骤，可以通过几种类型的滤波方法进行。Frost等人[18]提出的Frost滤波器（FR）是一种自适应滤波方法，它使用局部估计的参数值，同时保留边缘结构。其中，以下等式[18]表示建模的斑点图像：fx;y1/2gx;y：nx;y*hx;y（1）其中f（x，y）表示斑点图像，g（x，y）表示去斑点图像，n（x，y）表示斑点，h（x，y）表示空间坐标（x; y）中的脉冲响应。根据Frost等人[18]的说法，Frost Filter基于三个假设。首先，在任何区域，斑点与局部灰度成正比。其次，以像素点为中心的局部区域的均值和方差与该单个像素点的样本均值和方差相等。第三，图像中的散斑与图像的信号在统计上是无关的。改变相保存动态范围压缩（APPDRC）由Osman和Yap在BUS中实现[9]。基于在[30]的PPDRC滤波器中，局部特征被保留，并且图像的动态范围被压缩。该方法提取跨图像的局部相位和幅度值。进一步地，将范围缩减函数应用于幅度值，然后使用原始相位值重建图像。因此，除了保留局部相位信息之外，通过选择图像重建相位的空间频率范围来控制分析的能力是一个优点[30]。 这种方法输出的图像保持了它在一个大大减少的动态范围内的功能。重建的色调映射图像值T=x;y=x由下式给出Tx;yl Ax;y1：sin φx;y（2）其中，A（x，y）和φ x;y表示图像位置处的局部幅度（x，y）和局部相位。根据参考文献[9]，PPDRC滤波器可降低图像的对比度和强度变化。因此，为了增强斑点的过滤，他们添加了灰度反转，然后是线性滤波器和高斯滤波器的组合。APPDRC滤波器保留信号的所有高频分量，以保留图像的精细他们的动态范围压缩算法应用于截止空间频率为220像素，高通截止频率为1/10000。在这项工作中，APPDRC被用作预处理阶段的一部分，高通截止频率为1/10000，截止空间频率交替为210，220和240像素。此外，由于我们分割的是两个分辨率不同的数据集的完整图像，因此在数据集A的部分图像预处理中去除了APPDRC的高斯滤波器，并用于数据集B的预处理如等式（3）所示。（3）使用空间和颜色域中的通过以下等式计算距离dqi; j dxyi;j wq：d labi;j（4）其中wq是加权参数，并且权重越小，空间域越重要。此外，所有像素都连接在一棵大树中，同时引入最大距离（t），并用于分割树中距离大于（t）的分支。然后使用这些分裂的分支来创建超像素[26]。Elawady等人。[29]使用的QS参数值（颜色/空间比，内核大小和像素之间的最大距离）分别为0.8，5和20。根据他们的结果，他们报告说，没有必要进一步调整这三个参数中的任何一个，他们可以直接应用于任何新图像。然而，由于QS是一种考虑了上述三个参数的局部模式搜索算法，因此我们提出的方法是调整QS算法的三个参数，以便在我们的两个研究数据集内为图像提供最优的超像素。因此，三个参数（颜色/空间比，内核大小和像素之间的最大距离）进行了测试和调整，考虑到两个主要因素。第一个因素是数据集的分辨率，第二个因素是与整个图像的大小相关3.3.3. 后处理对于后处理步骤，我们遵循Elawady等人。[29]，其中使用二进制保持分割进行斑点选择。后处理步骤的目的是在其他候选区域中选择具有最大面积和最高对比度值的区域。我们提出的方法被称为调整后的快速移位（AQS-APPDRC），它基于APPDRC滤波器[9]，FR [18]，对快速移位（QS）[21]进行调整以获得超像素，然后进行二进制采样分割以进行斑点选择。为了调整QS以在两个数据集中具有BUS图像的最合适的超像素，为每个数据集的AQS选择三组参数值。对于数据集A，将三个参数（颜色/空间比、核大小和像素之间的最大距离）设置为（0.8，7，6）、（0.7，6，15）和（0.8，10，5）。而对于数据集B，三页-参数分别为（0.8，7，6）、（0.6，8，5）和（0.8，9，7）。我们提出的方法的阶段如图所示。 四、3.4. 性能度量我们使用四个测量来评估分割结果，即骰子相似系数（Dice），灵敏度，特异性和马修相关系数（MCC）[44]。性能指标定义如下：3.3.2. 调整后的快速换档基于梯度下降的快速移位（QS）的思想源于Mean Shift算法。Parzen密度估计用于估计模式，作为核化均值漂移的近似[21]。在每个分区内，计算平均值，并生成分层结构。灵敏度TPTPFFN特异性TNFP-1002*TP（五）（六）计算多个尺度上的cal分割[42]。此外，形成到最近邻居的链接树[21]。QS算法不是估计梯度，而是通过将每个点连接到最近的邻居来估计模式。对于每个piX el考虑五个特征以计算该piX el的parzen密度估计，包括piX el骰子¼公司简介2*TPTP*TN FP*FNPffiffiTffiffiffiPffiffi ffiPffiffiP ffiffiffiNffiffiffiNffiffiNffiffiNffiffiNffiffiNffiffi位置邻居被认为是在具有高斯核的空间距离内[43]。然后，QS构建一棵树，将每个图像pixel（x，y）连接到具有更大密度值的最近邻居（其中TP是真阳性的总数，FP是假阳性的总数，FN是假阴性的总数（七F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003447���������4. 结果表1总结了深度学习和传统方法在数据集A和数据集B上评估的分割方法的性能。总体而言，除QS-FR和QS-PPDRC方法外，所有方法均显示数据集A的Dice评分性能优于数据集B。我们提出的AQS-APPDRC的最高骰子得分为0.7976 0.1605此外，在数据集A上，所提出的方法AQS-APPDRC优于其他分割方法，特异性为0.9956 0.0113，MCC为0.7993 0.1525。而在数据集B上，FCN-16在特异性、Dice和MCC上实现了最佳性能，得分分别为0.9949 ± 0.0083、0.7314 ±0.2917、0.7353 ± 0.2899。然而，就灵敏度而言，FCN-32 s在数据集A和数据集B上分别具有最佳结果，分别为0.8262 0.2476和0.75510.2431。值得注意的是，尽管FCN-16具有比其他卷积方法更好的结果，但在医学成像中显示高灵敏度至关重要，因为假阴性将延迟乳腺癌早期检测和治疗的可能性。图5显示了所研究的CNN之间的视觉比较方法，即U-Net，FCN-AlexNet，FCN-32 s，FCN-16 s，以及提出的AQS-APPDRC分割方法，以Dicescore作为评价的性能指标。FCN的平均推理时间为每幅图像1/10s而对于AQS-APPDRC，平均推理时间为数据集A每幅图像18.34 s，数据集B每幅图像24.33 s。考虑到敏感性的统计分析，当与QS-FR、AQS-APPDRC在p值为0.05时进行比较时，我们观察到结果具有显著性。伊恩特 为数据集 A（p值 是0.00001）， 数据集B （p值<.00001）。5. 讨论提出了一种基于AQS-APPDRC的乳腺超声全图像分割算法。在APPDRC滤波器和Frost滤波器的基础上，采用调整的快速移位算法（AQS）进行超像素提取，然后进行二值化保持分割。根据手动测试和目视评估，我们注意到病变越小，建议使用的APPDRC波长越高。Osman和Yap [9]在数据集A的APPDRC实现中使用220波长。在他们的工作中，而不是完整的图像。由于我们正在处理完整图像，并且与完整图像尺寸相比，数据集B中的大多数图像具有相对非常小的病变，因此我们将波长值从220增加到240。总体而言，注意到数据集A的Dice评分的性能评价结果高于数据集B的结果，但QS-FR和QS-PPDRC除外。考虑到数据集A的图像具有比数据集B的图像相对较低的分辨率的事实，出乎意料地，APPDRC的高斯滤波器在与数据集B一起使用时显示出更好的结果。当与数据集B的APPDRC的线性滤波器一起使用时，嵌入在[9]的APPDRC中的高斯滤波器给出了更好的结果，而对于数据集A，最好排除高斯滤波器，仅使用APPDRC中的线性滤波器。因此，除了图像的高/低分辨率因子之外，考虑靶病变的大小与完整图像大小的相关最后，除了其有效的计算角度[29]，作为非复杂的去斑点滤波器，我们的结果报告说，FR基本上需要与QS配对，以便更好地分割我们在数据集A和数据集B中研究图 5 示 出了 分 割结 果 与图 像 上的 地 面实 况 描绘 、U-Net 、 FCN-AlexNet、FCN-32 s、FCN-16 s和AQS-APPDRC以及相应的Dice分数的视觉比较。 第一行是来自数据集A的具有良性病变的图像。与其他方法相比，FCN-16 s显示出最佳分割结果，Dice得分为0.8897。图5的第二行表示来自数据集A的具有恶性病变的图像。在这种情况下，所提出的AQS-APPDRC优于其他方法，Dice得分为0.938，但它 值得注意的是，FCN-16取得了与Dice得分0.9142相当的结果。FCN-16 s设计用于处理低级特征，以便通过使用16个16像素块来产生更精确的分割。因此，值得注意的是，与其他CNN方法相比，FCN-16的分割结果更精确6. 结论本文提出了AQS-APPDRC分割方法，给出了其评价，并与两种传统方法和两种CNN方法进行了比较。在传统方法中，在选择乳腺超声图像的滤波和分割方法时，我们的研究建议考虑靶病变大小与完整图像大小之间的相关性。其中，靶病变越小，越需要在预处理阶段使用模糊效果。根据结果，由于小数据集的大小，CNN分割方法的结果与传统方法的结果相当。对于数据集A，我们提出的方法在骰子，特异性和MCC方面优于其他方法。对于数据集B，FCN-16在以下方面实现了最佳性能：表1不同深度学习和传统分割方法的性能比较。深度学习方法在单个数据集上进行了训练和测试，即：FCN-AlexNet，FCN-32和FCN-16。以QS-FR、QS-PPDRC和拟议的AQS-APPDRC为代表的传统分割。粗体表示最佳结果。方法数据集灵敏度特异性Dice MCC平均值�SD平均值�SD平均值�SD平均值�SDCopyright © 2018- 2019www.bjbj.com版权所有Copyright© 2018 - 2019 www.fcn-alexnet.com粤ICP备05017866号-1粤公网安备44010502000000001号粤ICP备16016888号-1粤公网安备440105020000014号电话：+86-0531 - 8888888传真：+86-0531- 88888888邮箱：sales@qs-fr.comQS-PPDRC A 0.0032�0.117 0.9872�0.03 0.0032�0.01470.0101�0.0315 B 0.34403�0.3811 0.9773�0.0245 0.3215�0.34160.3121�0.3512粤ICP备05016677号-1粤ICP备05016669号-1F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003448图五. 分割结果直观地比较了U-Net，FCN和拟议的AQS-APPDRC的性能。第一列是地面实况描绘，第二列是U-Net分割的结果，第三列是FCN-AlexNet，第四列是FCN-32 s，第五列是FCN-16 s，最后一列是拟议的AQS-APPDRC方法。特异性、Dice和MCC。FCN-32在两个数据集上均达到最佳灵敏度传统的分割方法是多阶段方法，其中每个阶段都受到前一阶段的影响。此外，很可能需要人的交互来提供过程的补充信息。此外，乳腺超声分析研究领域的一个主要挑战是缺乏可用的数据集，这使得方法的评价不可行，并且方法之间的比较被认为是不公平的。由于数据集不足以训练机器，与深度学习方法相比，传统的分割方法往往提供相当的结果。用于分割的深度学习方法是完全自动化的，不需要人工交互。然而，它们需要高规格的机器，研究人员并不总是负担得起。因此，在没有这样的资源的情况下，当与常规方法相比时，它们是不可达的解决方案。此外，由于可用的BUS数据集很小的事实，当与具有大规模数据的可用性的其他领域相比时，语义分割方法倾向于给出不确定的结果。然而，最近人们对使用CNN进行BUS分析产生了显着的兴趣。对于未来的工作，关于传统系统中BUS图像的分割阶段，可以进行额外的努力和更广泛的参数分析，以改善所提出的调整快速移位（AQS-APPDRC）的分割。正如我们的结果所显示的那样，AQS- APPDRC方法优于两种传统方法，并在Dice，Specificity和MCC方面获得了与两种最先进的深度学习分割方法相当的结果。因此，我们认为AQS-APPDRC分割方法具有自动调整的潜力，这将通过排除人类交互而产生积极影响，但增强了分割过程。此外，随着大数据和数据共享工作的增长，基于深度学习方法的端到端解决方案将有可能提供更好的分割，以帮助乳腺超声计算机辅助诊断。竞合利益未申报。确认我们感谢提供的数据集。引用[1] 拉姆·S Ibs30。 03风险评估以建立筛查计划：加拿大的观点。J ThoracOncol 2019;14（10）：S123-4。[2] 郑宏，石翔，闵瑞，胡立，蔡翔，杜宏.乳腺X线照片中肿块的自动检测和分类方法。 Pattern Geneva 2006;39（4）：646-68.[3] Alvarenga AV，Infantosi AFC，Pereira WC，Azevedo CM.评估纹理和形态学参数在超声图像中区分乳腺肿瘤的联合性能。医学物理2012;39（12）：7350-8。[4] R. 伊克巴尔，T.阿拉斯湖Mammatas，W.Vogel，D.奥普雷亚-拉格费尔赫尔河Boellaard，C. Menke，[18 f] fdg pet/ct在低-中级雌激素受体阳性乳腺癌分期中的疗效：[18 f]fdg pet/ct分期，癌症研究79（13增补）。[5] 黄勤，罗毅，张勤.乳腺超声图像分割综述。国际计算机辅助放射外科杂志2017：1-15。[6] 王云超，贾耀.计算机视觉和深度学习在乳腺癌辅助诊断中的应用。在：第三届机器学习和软计算国际会议论文集，ICMLSC 2019，ACM，纽约，美国;2019.第186- 191页。https://doi.org/10.1145/3310986.3311010网站。[7] Yap MH，Edirisinghe EA，Bez HE.乳腺超声影像学分型的比较研究。医学影像2009：图像处理，第7259卷。 国际光学与光子学学会; 2009年。p.72591S。[8] ShanJ，Cheng H，Wang Y.基于多域特征的乳腺超声图像全自动分割方法。超声医学生物学2012;38（2）：262-75。[9] Osman FM，Yap MH.滤波算法对乳腺超声病灶分割的影响。在：医学信息学解锁，12; 2018。p. 14- 20[10] Zeebaree DQ，Haron H，Abdulazeez AM，Zebari DA。乳腺癌分割的机器学习和区域增长。在：2019年先进科学与工程国际会议（ICOASE），IEEE; 2019。p.88比93[11] Yap MH，Edirisinghe EA，Bez HE.一种新的超声乳腺图像初始病灶检测算法。应用临床医学物理杂志2008;9（4）：181-99。[12] Yap MH，Edirisinghe EA，Bez HE.超声图像中的物体边界检测。在：计算机和机器人视觉，2006年。2006年第三届加拿大IEEE会议。 53比53[13] Yap MH，Goyal M，Osman F，Ahmad E，Martí R，Denton E，Juette A，Zwiggelaar R. 采用深度学习方法的端到端乳腺超声病变识别。医学成像2018：分子、结构和功能成像中的生物医学应用，第10578卷。国际光学与光子学学会;2018年。p. 1057819。[14] Yap MH，Goyal M，Osman FM，Martí R，Denton E，Juette A，Zwiggelaar R.乳腺超声病变识别：端到端深度学习方法。 医学影像学杂志2018;6（1）：011007。[15] [10]杨文，李文，李文.用卷积神经网络分割脑肿瘤组织。In：ProceedingsMICCAI-BRATS; 2014.p. 36比9F.M. Osman和M.H. Yap医学信息学解锁20（2020）1003449[16] 黄伟，王伟. Mo-de-207 b-06：使用深度卷积神经网络的转移学习对乳腺超声图像进行计算机辅助诊断。医学物理2016;43（6部分30）。 3705- 3705[17] 2005年10月27日，李国伟. 使 用 卷积神经网络的自动乳腺超声病变检测。健康信息2017;22（4）：1218-26。[18] 弗罗斯特VS，斯泰尔斯JA，山穆甘KS，霍尔茨曼JC。雷达图像模型及其在乘性噪声自适应数字滤波中的应用。IEEE TransPatternAnal Mach Intell 1982;（2）：157-66.[19] Tobias OJ，Seara R.基于模糊集的直方图阈值图像分割。IEEE TransImageProcess2002;11（12）：1457-65.[20] Comaniciu D，Meer P. Mean Shift：A Robust Appro