沙特国王大学学报基于改进U-net分割网络的乳腺钙化灶分割Md Shamim HossainEdith Cowan University，6027，Australia阿提奇莱因福奥文章历史记录：收到2019年2019年9月30日修订2019年10月30日接受在线发售2019年保留字：乳腺钼靶X线片模糊C均值聚类微钙化点的改进U网分割A B S T R A C T乳腺癌是女性中最常见的侵袭性癌症，而早期发现这种癌症可以降低侵袭性。但由于其大小和外观，通过人眼从乳房X光照片图像中识别乳腺癌特征如微钙化是具有挑战性的。因此，微钙化的自动检测对于诊断和正确治疗至关重要。这项工作介绍了一种自动化的方法，并分割任何微钙化的乳房X线照片图像。首先，图像的预处理应用被应用于增强图像。之后，从胸部区域分割出乳房区域。利用模糊C均值聚类算法检测可疑区域，并将其分为阴性和阳性斑块。该过程消除了感兴趣区域的手动标记。将含有微钙化点的阳性图像块训练成改进的U网分割网络。最后，利用训练好的网络从乳房X线照片图像中自动分割微钙化区域。该方法可以辅助放射科医生进行早期诊断，提高微钙化区域的分割精度建议的系统进行了训练与数字数据库筛选乳腺摄影（DDSM），这是由南佛罗里达大学，美国准备我们分别获得了98.5%的F-测度和97.8%的Dice得分Jaccard指数为97.4%。所提出的方法的平均这项工作可以嵌入实时乳腺X线摄影系统。©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍乳腺癌在发展中国家和发达国家都在迅速增加。这种癌症是世界上妇女死亡的第二大原因。根据这项研究，12名女性中有1名患有乳腺癌，这就是为什么这项研究试图使用图像的像素在乳房X光摄影图像中找到微钙化区域，并通过深度学习U网分割网络对其进行处理。世界卫生组织报告说，大约508，000名妇女的死亡与乳腺癌直接相关（Kaur et al.， 2019年）。然而，乳腺癌分析的最高可接受的诊断方法是乳房X线摄影成像。可以检测出85%到90%沙特国王大学负责同行审查制作和主办：Elsevier电子邮件地址：s. ecu.edu.au乳腺癌至少两年前通过乳房X线摄影筛查（Shi等人， 2018年）。因此，从40岁起每两年需要进行乳房X光检查筛查，这是世界卫生组织和美国癌症协会建议的，以控制乳腺癌（Pardamean et al.，2018年）。有很多成像技术可以可视化乳房的内部结构，其中乳房X线摄影成像是最好的技术。乳房X线摄影是一种类似X射线的成像技术，该技术用于检测乳腺癌，以便女性可以接受适当的治疗。乳房X线照片的视觉信息提供乳房区域的组织和微观结构（Li等人，2019年）。致密组织、纤维腺体、肌肉和良性肿块通过脂肪组织变暗的明亮强度可视化。有两种类型的钙化，例如微观钙化和而微钙化因其隐蔽性强、检测复杂而成为研究者关注的如图1所示，当微钙沉积在乳腺组织上时，它在乳腺摄影图像中变成可见的白色区域（Shi等人，2018年）。而异常病灶如微钙化区是乳腺癌的原发信号，这是乳腺癌的明确标志。https://doi.org/10.1016/j.jksuci.2019.10.0141319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.S. Hossain/ Journal of King Saud University87Fig. 1.乳房X线摄影图像。表明细胞死亡局限于该区域。由于微钙化区的多样性、微小性、可见性不明显等特点，使得微钙化区的分割比较复杂对于高密度乳腺，正常乳腺组织和微钙化区域之间的强度差异微钙化结构呈孤立或集中分布。 每个区域是具有0.7mm至2mm宽度的不均匀或不规则形状（Marrocco等人，2018年）。因此，需要放射科专家进行深入观察，以发现微钙化区域。然而，患者的快速增长增加了由有限数量的专家识别可疑区域的诊断处理时间，同时在诊断报告上产生了混乱。有时，放射科医师在乳房X线摄影图像诊断期间错过活动性微钙化区域（Alam等人，2018年; Bougioukos，2010年）。根据乳房成像报告，根据微钙化的密度、形状和分布在乳房组织中的区域的量，将微钙化定义在从2（良性）到5（恶性）的范围内（Valvano等人，2019年）。所提出的工作的主要动机是理想地分割微钙化区域，并可以帮助放射科医生正确地生成诊断报告。本文主要内容如下：第二部分，简要介绍了前人利用深度学习算法进行微钙化点分割的研究成果。第三部分是乳腺X线图像的预处理。此外，还对微钙化点的自动特征提取和分割进行了说明。构建并实现了改进的U-net深度学习神经网络架构，以分割微钙化区域。在第四部分中，报告了实验结果，并根据参考文献进行了其他最先进的方法，以计算出的准确性和比较。讨论情况载于第五部分。最后，在第六节中给出了结论，包括所提出的工作的局限性和进一步2. 以前的作品医学成像技术与深度学习算法相结合，增强了分割正常和异常乳腺组织的能力此外，这种集成架构提高了诊断的整体准确性。然而，已经提出了相当多的深度学习方法来从乳房X射线摄影图像中分割病变。因为我们关心的是分割乳腺区域的微钙化。因此，我们提出了一些现有的微钙化分割算法这些方法一般分为三个部分：图像预处理，增强图像;检测感兴趣区域（ROI），将微钙化区域与其他区域分离;使用基于深度学习的神经网络训练特征，并对微钙化区域进行分类。（Chikami等人，2015）研究了一种用于识别钙化区域的组合滤波方法。综合运用小波、高斯、中值和有限冲激滤波器来提高该方法的整体性能。虽然这些过滤器单独提供更好的结果，但伪影是与曲线一起创建的最后，采用基于熵的阈值法从背景中检测出钙化区域Shin等人 （Shin等人， 2014）提出了一种基于区分限制玻尔兹曼机（DRBM）的技术。在该方法中，微钙化区域是自动学习的钙化区域的形态。计算局部峰值的强度点以从乳房X线照片图像中提取块没有局部强度峰值的区域被认为是非钙化区域。之后，放射科医师将训练块手动注释为阴性或阳性块。微钙化区存在于阳性斑块中。这些阳性样本用于训练DRBM分类器。在测试阶段，从给定的图像中提取局部峰值强度，然后应用DRBM对钙化区域进行（Lu等人，2016）提出了多级级联方法。该方法在预处理阶段然后由基于像素的分类器检测单个候选区域应用形状和外观特征来选择合适的区域并消除假阳性区域。而面积、圆度、规则度和周长被认为是形状和外观特征。接下来，对单个微钙化区域执行聚类算法，并估计连通分量。尽管组件之间的连接少于三个被拒绝。形态学方法由（Ciecholewski，2017）提出，其中图像对比度得到改善，并且在预处理部分去除了在此基础上，分水岭分割的微钙化分类然而，在该方法中，仅测试感兴趣区域，这是从乳房X线图像。微钙化簇的另一种自动分割方法由Alam等人开发（Alam等人，2018年）。在预处理部分，人工选取感兴趣区域，并采用基于小波变换的方法增强图像的空间频率然后利用形态学运算和面积排序分析对微钙团进行分割。图像块被分割成小的子区域。然后在每个子区域上应用双三次插值来提取背景强度水平，并选择最大5%的强度水平来创建二值图像。在此基础上，利用面积排序技术对微钙化点进行筛选.在该方法中，仅获取具有预定义范围然而，微钙化区域的检测取决于预定义的范围。因此，不检测具有比预定义范围更高的范围的区域中值模糊C均值方法由（Kowsalya和Priyaa，2016）实现，以检测钙化区域。通常，模糊C均值和K均值聚类算法计算找到的平均值，并确定质心。然而，该方法不适合于微钙化区域的分割（Singh等人，2012年）。Arikidis等人（Arikidis等人，2015）优选两阶段半自动分割方法来研究微钙化区域。采用水平集分割方法检测出最显著感兴趣区域。然后利用活动轮廓模型对微钙化点进行细化和选择88M.S. Hossain/ Journal of King Saud University×地区所选择的区域被给予支持向量机（SVM）以学习和分类微钙化区域（Gowrishankar等人， 2012年）。Lakshmi等人（2015）提出了一种无监督分割方法来对微钙化进行分类。采用灰度转换、直方图均衡化和模糊对比度增强等方法对乳腺X线图像进行增强。然后通过粒子群优化算法检测基于能量值将包含微钙化的特征与其他特征分离。这些值是从图像小波变换估计的。最后，利用支持向量机对微钙化区域进行分类Shi等人（2018）开发了一种分层方法，结合图像预处理和区域分割来识别钙化位置。首先，在乳房X线图像中映射梯度幅度以检测皮肤-空气边界。之后，分割方法被应用了两次。一个用于逐像素聚类，其中K均值聚类用于分割整个乳房区域，第二个分割用于区分乳房区域和胸肌。最后，钙化区域的法律的纹理滤波器进行识别然而，多重分割增加了信息丢失的概率。Singh等人采用了微钙化分割的统计方法（2017年）。在预处理单元，使用拉普拉斯滤波器来增强图像亮度在整个图像上提取ROI通过图像直方图减少ROI的数目，并考虑存在微钙化区域的ROI。正常区域中的像素是分布的。然而，微钙化区域中的像素是集中的，并且由图像直方图的几个箱表示。利用偏度、峰度和熵的统计特征选择具有微钙化区域的准确感兴趣区域。最后，利用这四种小波特征区分正常和微钙化ROI。在该方法中，从25幅图像中总共提取了648个有微钙化的ROI所有ROI都被用来训练前馈深度神经网络（Abirami等人， 2016年）。（Duraisamy和Emperumal，2017）提出了一种方法，其中采用Chan-Vese水平分割技术得到钙化区域的轮廓。然后采用变换和归一化技术来准备分割的ROI。将预处理的ROI输入卷积神经网络（CNN）以学习特征。在CNN的最后一步，完全复值松弛网络被用来分类钙化区域。一个智能系统是由Reynman et al.（2017）研究的。在该方法中，自适应阈值技术被应用作为预处理，以消除噪声从乳房X线图像。然后采用Canny边缘检测技术分别检测出微小钙化点和宏观钙化点区域。微钙化区域的选择是仔细的集中区域的基础上，大津的算法。利用CNN学习微钙化区域的特征，并进行分类。然而，现有的深度学习方法通常涉及损失以检测微钙化区域。如果图像尺寸较大，则微钙化的区域可能非常小。当图像被调整大小以使用CNN时，这些小信息就会丢失。因此，Sulam et al.（2017）实现了用于微钙化检测的无损深度学习网络。该方法将整幅图像分解为网格块，并利用筛选网络对每个网格块进行分析。然后采用VGG-m网络，其中前五层被取，其余两个完全连接的层与512个过滤器被用来完成分类。Kaur等人（2019）提出了一种从乳房X线摄影图像中检测癌症区域的方法。在这种方法中，图像通过噪声去除、滤波和形态学操作等技术对图像进行预处理，以确定ROI的位置。之后，使用CNN等深度学习算法来训练ROI，并使用具有K-means聚类的多类SVM对癌症区域进行在该方法中，不必要的区域是用聚类算法检测出来的，这降低了该方法的效率。Li等人（2019）提出了一种方法，其中图像通过零均值正态化进行归一化然后通过随机裁剪和仿射变换对图像进行增强，以克服过拟合问题。然后，使用DenseNet-II网络模型对区域进行训练和分类。但是，每个网络层都与前一层连接，并且可以重用前一层的要素因此，该网络不足以对较高挑战性图像中的根据Valvano et al.（2019），应用Otsu阈值来增强可疑区域作为图像的预处理。开发了两种CNN架构。首先使用CNN从正方形块中检测微钙化区域，其中块是从乳房X线照片图像中手动提取的。阳性标记被分配给具有微钙化区域的每个斑块第二个CNN用于分割微钙化点像素。在这种方法中，需要手动的块提取，这对于大数据集是耗时的（Trovini等人， 2018年）。根据上述方法，图像预处理是用于增强图像强度，以获得微钙化区域的更好可视化。之后，基于像素强度识别ROI最后，采用适当的分割方法对微钙化区域进行分类.在所提出的工作中，图像增强与拉普拉斯滤波器。然后用梯度幅度定义皮肤和空气边界，将背景从图像中分离出来然后，应用K-均值聚类来区分胸部区域和乳房区域。然后，利用频率直方图技术检测自动可疑区域，其中频率直方图的最佳阈值然后将可疑区域分为阳性和阴性斑块，其中微钙化点存在于阳性斑块中最后，改进的U-网分割网络被开发用于训练正补丁。然而，所提出的方法在最近的深度学习方法中提供了更高的性能，并且能够有效地分割任何尺寸或外观的微钙化区域。3. 该方法由于微钙化区域的形状和大小都非常小，与其他非钙化区域相似，因此分割微钙化区域是一项具有挑战性的任务。该方法将图像预处理、乳腺区域分割、可疑区域提取、阳性区域选择和分割网络训练分为五个阶段工作流程如图所示。 二、3.1. 图像增强乳房X线摄影图像的对比度较差。因此，研究ROI是复杂的需要对可疑区域进行锐化，以便在下一阶段检测显著特征和分类而微钙化像素比周围区域更亮。因此，拉普拉斯滤波器提供了更好的结果，如图3（ b ）所示。局部拉普拉斯滤波器是Paris 等人首先提出的。（2015），这个过滤器可以产生M.S. Hossain/ Journal of King Saud University89ð Þ×ð Þn¼···¼ ¼··· ¼X.0JLMLM12N-1J]图二. 使用改进的U-net分割网络进行微钙化分割的工作流程。图三.增强前的乳房X线照片图像示例（a）;使用拉普拉斯滤波器增强后的图像示例（b）。高质量的输出，没有任何光晕。但是，这个过滤器的速度非常慢。因此，应用调制操作来增强视觉质量。 如果输入图像是V<$fv<$m;n<$j1≤m≤H;1≤n≤Wg，其中大小为H×W 。亮度 的集合是1/2v l;v u]，其中v=m;n=21/2v l;v u]。TheLuminanCE映射（LM）计算每个亮度级，并且使用在亮度级之间具有大的差异的映射来限制亮度级。因此，图像增强在的亮度OLM内的范围1/2olou]，其中，亮度的参数。微钙化区域以增强的值出现，并且周围像素的值被抑制（Bhupendra Singh等人， 2017年）。3.2. 皮肤和空气边界分割皮肤和空气边界分割，如图所示。 四、每个像素的权重是基于梯度幅度计算的。对每个像素应用3 × 3交叉窗口，并创建权重数组W。权重与水平方向和垂直方向上的梯度幅度成反比。因此，高强度区域与低强度区域分离，因为梯度幅度在边缘区域处深刻地改变。然后采用水平直线拟合的方法去除图像中的标签、划痕和标记等伪影通过图像腐蚀方法（Zhang等人， 2014年）。删除保留梯度权重的最高主体的细线因此，保留了乳房和胸部的最大部分，如图所示。第4（a）段。应用连通像素区域方法来去除小伪影。连接的像素组件被标记，并计算面积。将每个区域与适当的预设值进行比较，其中预设值小于微钙化区域。3.3. 胸部分割K-means逐像素聚类用于区分不同的组织结构，例如乳房和胸部组织，其中在最近的像素之间存在强像素差异。应用城市街区距离度量来计算最近像素之间的距离。如果图像像素Px;y的强度是r印，表示，且梯度权重为，则聚类方程如下：OLM<$fom;nj1≤m≤H;1≤n≤Wgand om;n2½olv u];½ouv u]。如果V<$fv1;v 2;· · · · · ·;v Ng和O<$fo1;o2;···：：;oNg是存储的N个不同的亮度，则输出图像将是O LM。哪里，v1v l1时;否则为 f i <$$>0 <$2其中，g02Go;Go1/4fg0;g0;：g0g和GJ 2Gv;Gv¼ fg1;g2;：gN-1g。G oLM 和Gv是存储的亮度差的集合。重新生成的差异如下：gjvj1-vj3g0<$kgj-kSgj-k]4其中，当sgn=1时，S=0;否则，S =0;minfGvg = 0; min f Gvg=0;minfGvg= 0; min f Gv g= 0;a和b定义为控制见图4。皮肤和空气边界分割的例子（a）;噪声去除后的乳房区域（b）;胸部区域分割（c）。Σ90M.S. Hossain/ Journal of King Saud University×ð Þð Þð × Þ半-]IJ¼IJ这里，P1和P2是相同区域内的两个像素，Pij定义第j个通过在特征空间中的无监督聚类，将像素标记为两类。 分离与胸部组织结合的乳房组织。然后根据相似的梯度权值和聚类中像素的强度提取胸部组织，如图所示。 4（c）.采用形态学操作来找到乳房和胸部组织之间的在这项工作中，Matlab内置的功能被应用于平滑的边界的边缘。通过去除面积阈值为100像素的过小区域来调整分割聚类的区域。进行腐蚀和膨胀，3 3 像素宽。在存在四个相邻像素最后，提取分割的乳房区域（Pan，2017）。3.4. 可疑区域选择乳房X线照片图像的示例和可疑块的横截面如图5所示。可疑区域的检测如图6所示。应用高通滤波器以增强可疑区域的对比度，如图6（a）所示。最初，图像被划分为相等大小的上下文区域，并为每个区域计算直方图。阈值的限幅被引入，其中高限幅增强了可疑区域的强度。 上下文区域的直方图以一定的方式重新分布，使其确实越过剪辑限制。这种技术可以找到高强度的物体。之后，应用形态学开口以创建对应于乳房组织区域的灰度图像，如图6（b）所示。因此，从乳房X线照片图像中获得并细分背景区域。该过程用于可视化较暗背景区域上的亮点，如图6（c）所示（Bougioukos，2010;Dholey，2018）。利用连通像素的频率直方图技术检测可疑区域。利用模糊C均值聚类方法确定频率直方图法的最佳阈值。频率直方图技术与相邻像素的形态学操作如果像素I=i;j= i，如果图像尺寸为N×M，则相邻像素给定像素Ii;j的D i;j如下：Di;jfui;jfIi;jgN×Mg6图六、高通滤波后的横截面示例（a）;应用形态学开口（b）;连接像素的频率直方图（c）。其中用户定义的扫描由Ui;j表示。扫描过程是通过将图像切片成非重叠的窗口来完成的选择非重叠窗口的原因是降低了计算复杂度。窗口的大小取决于形态成分。通常，可疑区域是乳房区域内与周围高密度组织分离的小的连接的亮像素，如图所示。 6（b）. 103×300的窗口尺寸足以覆盖特定像素的相邻区域i;j和像素inten-SITY与滤波器权重相乘。然而，最终的分割输出取决于形态掩蔽操作，以确定连接的像素。掩模的大小为3 3，其中一个像素宽的边界像素被认为是不太重要的。连接的相邻像素被定义为：其中，灰度强度范围由整数值c定义;T为已知灰度值。在每次窗口扫描时，在范围内计算参数c因此，参数c对于乳房X线照片图像没有全局值。而c的值取决于每次扫描时相邻像素的值。然后通过频率直方图测量连接像素的数量。当像素分布相距较远时，两个峰值：背景区域和可疑区域。最终的分段输出由阈值找到，该阈值在这两个峰值内。阈值的计算采用模糊C均值算法，该算法被设计成得到两类，连接的像素。第一次聚类提取微钙化和非微钙化区域的连通像素，而第二次聚类用于聚类周围背景。最佳阈值用于在灰度轴上相交两个聚类。聚类算法的迭代方法找到聚类的质心并使不相似性最小化，如下所示：C C NJU;c1;c2;···;ccXJiXum d21/11/1第1页ð7Þ其中ci定义了簇i的质心。定义质心和数据点j之间的欧几里德距离。ui;j定义了U^ui;j的模糊函数矩阵，其中0≤ui;j≤ 1。的m表示加权指数，并且通过实验确定最佳值为m2。在迭代过程中，算法修改了聚类中心，并且改变了相邻数据成员，直到最小化相异性函数（ Bougioukos ， 2010; Jemimma 和 Raj ， 2018; Wisaeng 和 Sa-Ngiamvibool，2018）。3.5. 分割网络图五.乳房X线照片的示例（a）;可疑斑块的横截面（b）。在自动识别可疑区域后，需要人工观察为边界框分配正负标记，如图所示。 7（a）. 正边界框包含微钙化像素，如图所示。 7（b）.M.S. Hossain/ Journal of King Saud University91ijkL.ΣKijkFKLKLLKijkijk最高层的大小是42个特征图。四个池操作设置为有效地训练整个切片假设，输入是第l层中的xl，并且是第k特征上的每个块的中心像素对于t时间步长，网络O lttt的输出如下（Zhou et al.，2018; Isensee，2018; Askari Hemmat等人，2019年）：O ltw fTx fi;jt。wrTxri;jt-1bð8Þ其中，卷积层的输入是xfi;jt，并且x ri;jt-1。卷积层的权重为WrwfWrt，图7.第一次会议。可疑区域的示例（a）;区域包含微钙化，像素（b）。wrT.偏置是b k。输出被馈送到Leaky ReLU中，激活函数f如下：FxlwlfhOltimax½0;Olt]9所有的阳性框都被输入到分割网络中，以训练网络进行分类。所提出的分割网络是基于传统的U-net分割网络进行修改和开发的，如图8所示。所提出的网络的修改是专注于自动训练模型。U-net是编码器和解码器网络的组合。编码器部分是传统的CNN，它包含语义信息和较少的空间信息。然而，空间信息与语义信息对于分割也是必不可少的U-net从解码器部分获得特定信息，其中语义信息从U-net网络的在解码器部分中，通过跳过连接直接从编码器部分获得高分辨率特征，并提供精细的段结构。在这项工作中，分割网络由两个卷积层设计这两个层被添加在编码器部分的池化层之间，并且卷积操作在解码器部分被转置 校正线性单元（ReLU）被泄漏ReLU改变，并且应用实例归一化而不是批量归一化（Ulyanov等人， 2016年;Ioffe和Szegedy，2015年）。补丁大小为32× 32像素，批次见图8。 改进的U-net分割网络的体系结构。其中xlwl是CNN单元的输出。该输出用于编码和解码部分的下采样和上采样。前向CNN部分如图8所示。在这个基于CNN的分割网络中，从编码部分到解码部分收集特征。然而，特征被收集在模型内部，这改善了学习和测试阶段，与传统的U-网络模型不同。这种方法提供了一个强大的功能表示。该方法对于提取微钙化点分割所必需的低层特征是非常有效的。使用连接操作来代替在基本U形网模型中应用的裁剪和复制。 大量的参数对训练和测试效率有着显著的影响。该网络采用了有限的参数，具有较高的精度. U网模型的所有变化提供了更好的微钙化分割结果，这是优于现有方法。本研究的意义如下：将所提出的分割网络应用于数字乳腺X线筛查数据库（DDSM）图像中，对乳腺微钙化区域进行分割，并从灵敏度、精度、准确度、F-测量、Jaccard指数和Dice评分等方面进行定量评价实现了现有的几种方法，并进行了比较。4. 实验及结果通过MAT-LAB平台（The MathWorks Inc，Natick，USA）构建改进的U-net分割网络并训练GeForce RTX 2080 Ti图形处理单元和Core i7处理器在这项工作中使用。4.1. 乳腺X线摄影筛查乳房X线照片是从南佛罗里达大学数字乳房X线照片网站收集的。筛查乳腺X线摄影数字数据库（DDSM）可用于研究分析（Samala等人，2018年）。该数据库包括2620例病例研究，均采用头尾位和内外侧斜位乳腺视图。在每个研究中，每个乳房有两个图像，包括患者的信息，如年龄，乳房密度和异常的信息。根据图像采集扫描仪、空间分辨率和不同类型的可疑区域划分数据集。每个文件都是一个可移植的灰度图格式。 在数据库中，类似的案例存储在每个卷中。正常病例由前一次筛查和四年后的下一次筛查创建。癌症病例由至少一位病理学家发现的癌症区域组成。的K92M.S. Hossain/ Journal of King Saud University×××ð Þ××22×¼ × ð Þ¼ × ð Þ¼ × ð Þ我我良性病例由位于乳房区域的任何可疑病例组成。存在01至15个癌症体积，并且包含由LUMISYS、DBA和HOWTEK扫描仪拍摄的914个病例，具有12位深度，包括地面真实区域。对于这项工作，采取了每名患者的内外侧斜位视图图像4.2. 数据增强当深度网络用有限数量的补丁训练时，就会出现过拟合问题由于微钙化点的形状、外观不规则，方向不一致，因此，利用斑块增强技术对微钙化点进行分割具有较好的效果在训练期间应用各种数据增强技术以增加正补丁的数量。因此，网络也可以从补丁的不同变换中应用补丁的简单缩放和平移方法用于创建更多的合成和人工补丁。面片将水平和垂直翻转。后来，90年代; 180年代第270章度旋转是在补丁. 增强方法仅适用于一组积极的训练补丁，这提高了训练以及分割精度。4.3. 训练过程阳性补丁分为三组，其中60%用于训练，20%用于验证，20%用于测试。关于修改后的U-网分割网络的计算负担，实验上将然而，在自动选择可疑和非可疑区域之后，需要手动观察来标记然而，微钙化的像素存在于阳性斑块中。卷积层中使用3 3内核。2 2内核应用于池化层，然后是卷积层。在解码器部分，采用卷积转置，然后是级联层。在该方法中，在编码器和解码器部分之间应用级联，其提供特征图作为输出。该特征图由具有11卷积层的激活函数开发。之后，基于阈值T生成分割区域，在所提出的方法中，阈值T在实验上被设置为0.5分割模型采用五重交叉验证进行评估。将测试贴片分为五组，并收集平均准确度，如表1所示。该网络使用交叉熵和骰子损失（相似性矩阵）的组合进行训练，如下所示（Isensee，2018）：L总计1/4L DicemLCE10mL计算每个批次中每个样品的骰子损失，并按如下方式执行：其中u和v是softmax的输出，并定义为地面真值。I×K是u和v各自的形状，其中iI是每个训练块中的像素数，kK是班级数量。训练的批量大小为每个epoch 42。指数移动的平均值被设置为训练损失和验证。初始学习率为3 × 10- 4，30次以后，学习率降低5倍，以提高最小学习率学习速度约为5× 10- 3。当60个时期内的速率为5 × 10- 3时，学习会话终止。然而，学习损失取决于迭代次数，并且当迭代次数增加时，损失减小。鉴于：15%的准确度取决于小批量的大小。最后一层的大量输入和权重表明了较小的信息损失和强大的学习能力如图1所示，用所提出的方法对地面实况区域和分割区域进行了比较。9.第九条。4.4. 定量评价DDSM数据集中存在每个乳房X线照片图像的基础事实信息，这为定量评估提供了额外的进步。几个评价标准，如灵敏度、精密度、准确度和F测量值计算如下（Li等人，2019; Pan，2017）：灵敏度TP100 12TPFFNPrecisionTP100 13公司简介精度TP100 14TPTNFPFNL2XPi2Iukvk11我vð Þdc¼-jK jk2KP i2IukPKi2I我见图9。具有地面实况的乳房X线照片图像（a）;微钙化与所提出的方法（b）。表1所提出方法的性能。设置灵敏度精度精度F-measureDice评分Jaccard指数1百分之九十八点七百分之九十五点二百分之九十八点五百分之九十八点八百分之九十八点一百分之九十七点七2百分之九十八点四百分之九十四点四百分之九十八点二百分之九十八点五百分之九十七点八百分之九十七点二3百分之九十八点八百分之九十四点七百分之九十八点六百分之九十八点九百分之九十八点三百分之九十七点八4百分之九十七点六百分之九十三点八百分之九十七点四百分之九十七点七百分之九十七点二百分之九十六点七5百分之九十八点五百分之九十五点七百分之九十八点三百分之九十八点六百分之九十七点九百分之九十七点三是说百分之九十八点四百分之九十四点七百分之九十八点二百分之九十八点五百分之九十七点八百分之九十七点四M.S. Hossain/ Journal of King Saud University93- 四分之一×××¼¼×F测量2×召回率×精度10015召回和精确度其中TP定义了真阳性，其可以准确地分割微钙化区域。TN表示真阴性，其分割区域，留下微钙化区域的有价值部分。FP等于假阳性，其将区域错误地分割为微钙化。FN代表假阴性，其将微钙化与不必要的区域分割开。在这里，回忆被认为是敏感性。用Jaccard指数衡量地面实况和分割的微钙化区域之间的多样性和相似性。而Dice分数仅表示地面实况和分割的微钙化区域之间的相似性矩阵。方程如下：是33。跨距为1，包括2个包含64个单元的全连接网络层。斑块大小逐渐减小，32 32至22特征，其在完全连接层中提供作为输入。然而，该网络不能从整个斑块中提取特征，并且没有适当的策略来保持过拟合。深度网络提供梯度分散，其中梯度在网络中消失以用于向后传播。所有的困难都被认为是在所提出的方法。因此，该方法的性能为98.2%，高于CNN方法。决策模型深度学习方法的准确率约为95.6%，它是由卷积层、池化层、最大池化层和全连接层构建的然而，ReLU层被用作卷积层中的激活函数以增加非线性决策的属性Jaccard指数TP公司简介骰子评分2：TP2：TP-100FN-100FPð16Þð17Þ其影响所述上层。因此，定位的精度降低。由于网络层的原因，DenseNet-II神经网络的性能DensNet层根据迭代变得更宽。虽然更深更广的网络能够支持-将正补丁分为5个集合，以提高训练效率，降低训练复杂度，如表1所示。补丁的尺寸为32 - 32像素，这提供了更好的输出。根据表1中的统计数据，对于补丁集1、2和3，灵敏度相对恒定，但总体灵敏度为98.4%，而精确度为94.7%。然而，对于补丁集4，精度下降，但平均精度为98.2% ，这是相当令人满意的。平均Dice 得分为97.8%，这是地面实况与所提出的方法分割的微钙化区域之间的相似性像素矩阵平均Jaccard指数为97.4%。改进的U-网分割网络对测试斑块的最终准确率为98.2%对于大多数检测微钙化区域的经典方法来说，假阳性率（FPR）非常高。在所提出的方法中，FPR计算和获得0：003%。4.5. 与现有方法的所提出的方法的性能与最近的现有方法进行了比较现有的深度学习方法是根据参考文献实现的，并且使用相同的DDSM数据集进行比较表2列出了最近方法的准确度。所有最先进的方法均采用相同的程序进行验证CNN方法的准确性提供了更好的性能，在其他常设方法中约为97.4%在该方法中，开发了两个CNN模型，其中第一个用作检测器以检测感兴趣区域，第二个用于分割以分类微钙化区域。然而，两种CNN模型共享相同的网络架构，这减少了网络负担。根据该参考文献，该网络架构是用6个卷积神经层开发的，其中内核大小提供了更好的训练精度，但它增加了参数的数量因此，网络训练松散。根据该参考文献，分配了40个网络层，并且增长率为12，包括3个DenseNet块层，其中过渡层为3。因此，很难找到DenseNet网络参数的最佳设置5. 讨论实验结果表明，该方法在每一步的性能都优于然而，该方法的准确性取决于空气皮肤边界的有效该方法对含胸部组织的气-皮边界的分割具有最高的准确率，约为98.96%。胸部区域的分割准确率达到98.87%。然而，（Czaplicka和Wavodarczyk，2011）提出了一种用于空气-皮肤边界分离的方法，其准确度约为98.11%，并且胸部区域的分割几乎为98.05%。一些研究人员关注在不考虑空气-皮肤边界线的情况下分割乳房-胸肌区域，其中Maitra等人（2012）通过应用区域生长方法实现了几乎95.7%的准确度。空气-皮肤边界和胸部区域分割的略高精度提供了所提出的方法的总体上更好的分割输出然而，所提出的方法提供了更高的性能与较少的参数，这是显着的优势，ING的处理时间和内存，如表2所示。因此，所提出的方法优于现有的同时，也为进一步研究乳腺微钙化区域的分割提供了基础表2与现有方法的比较。方法参数数量(in（百万美元）精度6. 结论和今后的工作本文的主要目的是利用改进的U-网分割算法有效地分割微钙化区域决策模型深度学习方法（Decision ModelDeep LearningMethod），（2017年）DenseNet-II神经网络方法（Li等人，2019年度）卷积神经网络方法（Valvano等人，2019年度）2.61 95.6%3.03 94.5%2.80 97.4%网络所提出的方法是定量评估的重叠面积，这提供了非常相似的结果。这项工作的局限性是涉及专家放射科医生在乳房X线照片图像的定性分析。放射科医生的人工观察将提高提出的方法。所提出的方法是基于建议的修正U形网法0.84 98.2%在DDSM数据集上。然而，这种方法94M.S. Hossain/ Journal of King Saud University对于MIAS数据集来说非常差在该数据集中，微钙化区域和微钙化的周围区域之间的强度差应该提到的是，DDSM数据集是最古老的该方法在新一代乳腺摄影数据集上的应用具有一定的价值。今后将对拟议方法进行调整，以解决这一限制。然而，研究人员对使用该DDSM数据集感兴趣，因为其包含大量乳房X线摄影图像（Samala等人， 2018年）。早期诊断微钙化区域对于预防乳腺癌至关重要。在这项工作中，微钙化区域的自动分割方法，提出了通过开发一个改进的U-网分割网络。详细介绍了数据预处理和胸部与胸部区域分离的过程。然后从乳腺区域中提取包含微钙化区域的阳性斑块。为了避免过拟合问题，在正面片上采用了几种增强技术。然后，将得到的正补丁输入到所提出的修改后的U-网分割网络中。对五组测试贴片执行五重交叉验证。该方法减少了不确定区域的分割.它减少了乳房X线照片图像的诊断时间，这对于乳房钙化的治疗至关重要。它还可以有效地帮助放射科医生将来，所提出的工作可以在实时乳腺X射线摄影系统中实现，该系统集成了适当的硬件和软件接口，用于微钙化的筛查和诊断。另一方面，通过研究其他有效和潜在的深度学习分割网络，可以改进所提出的方法引用P. Kaur，G. Singh，P. Kaur，2019.使用深度学习分类通过多类SVM智能检测和验证自动乳房X线摄影乳腺癌图像，Informatics in Medicine Unlocked，p.100151施，P.，Zhong，J.，Rampun，A.，王，H.，2018.乳腺X线照片中用于乳腺边界分割和钙化检测的分层流水线。Comput. 生物医学96，178-188。Pardamean，B.，Cenggoro，T.W.，拉胡托莫河Budiarto，A.，Karuppiah，E.K.，2018. 从胸部X射线预训练卷积神经网络学习乳腺X射线数据的转移学习。Procedia计算Sci. 135，400-407。Li，H.，Zhuang，S.，李，D.-一、赵，J，妈妈，Y.，2019.基于深度学习的乳腺X线图像良恶性分类。 BioMed. 信号处理。 控制51，347-354。C. Marrocco等人，2018.乳腺X线照片去噪以提高卷积网络的钙化检测性能，见：第14届乳腺成像国际研讨会（IWBI 2018），2018年，第10718卷：国际光学与光子学会，第107页。107180瓦。阿
我的内容管理
展开
