面向乳腺超声分类的低尺度形态特征重校准方法

作者：龚勋; 朱丹; 杨子奇; 罗俊

来源：西南交通大学学报, 2022, 1-9.

• 形状特征
• 分区打乱机制
• 低尺度重校准
• 乳腺癌分类

超声诊断作为乳腺肿瘤首选的影像学检查和术前评估方法，能够减少不必要的传统活体穿刺并对乳腺结节做出快速精准的良恶性判断。本文结合超声乳腺肿瘤量化的形状特征，提出了一个端到端的网络模型，实现乳腺超声的自动化诊断。乳腺超声图像具有类内差异大、类间差异小，结节形状复杂多变等特点，本文为此专门设计了低尺度重校准网络。为了学习图像中更具辨别力的区域，网络采用渐进训练方式，并提出了分区打乱机制，以此降低在打乱图像时破坏结节区域所产生的噪声。此外，为了更好的学习到形状特征，将网络底层提取的特征与通过掩膜图像获得的形状特征进行重校准，提出了低尺度重校准损失函数。为了验证提出方法的有效性，本文构建了一个包含1550幅乳腺超声图像数据集。本文方法在该数据集上取得了准确率94.3%，敏感性91.2%，特异性93.6%以及ROC曲线下面积0.941，均优于对比算法。此外，本文方法在公开数据集BUSI上进行实验，相对对比算法分类精度提升了3%。

• 单位
  四川省人民医院; 四川省医学科学院; 西南交通大学