科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 乳腺癌在女性中是致病严重且发病率较高的疾病，早期乳腺癌症检测是全世界需要解决的重要难题。如今乳腺癌的诊断方法有临床检查、影像学检查和组织病理学检查。在影像学检查中常用的方式是X光、CT(computed tomography)、磁共振等，其中乳房X光片已用于检测早期癌症，然而从本地乳房X线照片中手动分割肿块是一项非常耗时且容易出错的任务。因此，需要一个集成的计算机辅助诊断（computer aided diagnosis,CAD）系统来帮助放射科医生进行自动和精确的乳房肿块识别。方法 基于深度学习图像分割框架，对比了不同图像分割模型，同时在UNet结构上采用了Swin架构来代替分割任务中的下采样和上采样过程，实现局部和全局特征的交互。利用Transformer来获取更多的全局信息和不同层次特征来取代短连接，实现多尺度特征融合，从而精准分割。在分割模型阶段也采用了Multi-Attention ResNet分类网络对癌症区域的等级识别，更好地对乳腺癌进行诊断医疗。结果 本文模型在乳腺癌X光数据集INbreast上实现肿块的准确分割，IoU(intersection over union)值达到95.58%,Dice系数为93.45%，与其他的分割模型相比提高了4%～6%，将得到的二值化分割图像进行四分类，Accuracy值达到95.24%。结论 本文提出的TransAS-UNet图像分割方法具有良好的性能和临床意义，该方法优于对比的二维图像医学分割方法。
- 单位
