基于卷积神经网络的乳腺超声病变自动检测(IEEE Journal of Biomedical and Health Informatics)

Automated Breast Ultrasound Lesions Detection Using Convolutional Neural Networks

摘要：使用超声成像的乳腺病变检测被认为是计算机辅助诊断系统的重要步骤。在过去的十年里，研究人员已经证明了自动化初始病变检测的可能性。然而，当比较这些算法的性能时，缺乏公共数据集阻碍了研究。本文提出了使用深度学习方法进行乳腺超声病变检测，并研究了三种不同的方法:基于块(Patch)的LeNet、U-Net和具有预处理FCN-AlexNet的迁移学习方法。将它们的性能与四种最先进的病变检测算法(即径向梯度指数、多重分形滤波、基于规则的区域排序和可变形组件模型)进行比较。此外，本文还对从两种不同超声系统采集的两种常规超声图像数据集进行了比较和对比。数据集A包括306幅(60幅恶性和246幅良性)图像，数据集B包括163幅(53幅恶性和110幅良性)图像。为了克服该领域公共数据集的缺乏，数据集B将用于研究目的。结果表明，当在两个数据集上评估真阳性分数、每幅图像的假阳性和F-measure时，深度学习方法总体上有所改善。

索引词：乳腺癌；卷积神经网络；病变检测；迁移学习；超声成像

一、引言

乳腺癌是全球女性死亡的主要原因之一，预计超过8%的女性在一生中会患乳腺癌[1]。最常用和有效的乳腺癌检测技术是数字乳腺摄影(DM) [2]。然而，密集乳房中的DM成像有一些限制，其中病变与密集组织相比具有相似的衰减，因此它们可以被周围组织隐藏。目前，DM的一个重要替代方法是超声成像，由于其多功能性、安全性和高灵敏度，超声成像被用作乳腺癌检测的补充方法[3]。然而，超声成像比其他常用技术，如乳房x线照相术，更依赖于放射科医师。由于斑点噪声的复杂