基于边界网络的超声图像乳腺肿瘤自动分割

Boundary-oriented Network for Automatic Breast Tumor Segmentation in Ultrasound Images

摘要

乳腺癌被认为是最常见的癌症。利用超声图像定位乳腺肿瘤是一种重要的临床诊断方法。然而，由于超声图像中的超声伪影、低对比度和复杂的肿瘤形状，乳腺肿瘤的准确分割仍然是一个悬而未决的问题。为了解决这个问题，我们提出了一个边界导向网络（BO-Net），用于增强超声图像中的乳腺肿瘤分割。BO-Net从两个方面提高了肿瘤分割性能。首先，设计了一个面向边界的模块（BOM），通过学习额外的乳腺肿瘤边界图来捕获乳腺肿瘤的弱边界。其次，我们专注于增强的特征提取，它利用Atrous空间金字塔池（ASPP）模块和挤压和激励（SE）块，以获得多尺度和有效的特征信息。我们在两个公共数据集上评估我们的网络：数据集B和BUSI。对于数据集B，我们的网络在Dice中达到0.8685，在Jaccard中达到0.7846，在Precision中达到0.8604，在Recall中达到0.9078，在Specificity中达到0.9928。对于BUSI数据集，我们的网络在Dice中达到0.7954，在Jaccard中达到0.7033，在Precision中达到0.8275，在Recall中达到0.8251，在Specificity中达到0.9814。实验结果表明，BO-Net算法在超声图像乳腺肿瘤分割中的效果优于现有的分割方法。它表明，专注于边界和特征增强创建更有效和鲁棒的乳腺肿瘤分割。

介绍

总述问题
根据世界卫生组织公布的国际癌症研究机构（IARC）2020 - 2021双年度的关键数据，全球新增乳腺癌病例2，261，419例。为了提高患者的生存率，需要早期发现乳腺癌。乳腺超声（BUS）是一种可以帮助医生评估、诊断和治疗疾病的医疗工具。2与X射线成像不同，BUS避免了电离辐射暴露，并且成本较低。3但是，由于复杂性和斑点噪声的存在，依赖BUS图像诊断乳腺肿瘤需要经验丰富且训练有素的医生。因此，自动且准确地分割乳腺肿瘤区域是有用的，这可以帮助医生提高诊断灵敏度和特异性。由于BUS图像对比度低、散斑噪声强、边界模糊等特点，乳腺肿瘤的准确分割成为一项具有挑战性的任务。
传统的方法
图1中有一些总线示例。在过去的几十年中，已经提出了许多算法来分割BUS图像，这些算法可以大致分为四类，包括基于强度的，基于能量泛函的，基于聚类的，和基于深度学习的基于强度的，基于能量泛函的，基于聚类的基于强度的方法通过像素强度的区域变化来检测BUS图像中的异常区域，包括基于阈值的，基于4，5分水岭的，6-8和区域增长方法。9，10基于能量函数方法包括活动轮廓模型11 -13和基于图形的分割模型5，14，15。Rodtake等人13开发了一种初始化方法，并将活动轮廓与水平集方法相结合。Zhou等人15开发了一种使用高斯滤波、直方图均衡化、均值漂移和图形切割的半自动BUS图像分割。基于排序的方法16 -19属于机器学习算法。Moon等人18提出了一种基于定量组织聚类算法的计算机辅助检测系统，以识别潜在肿瘤。Samundeeswari等人将传统的K-Means算法与蚁群算法和正则化参数相结合，以最大限度地保持边界。然而，所有上述算法都存在一些局限性。这些算法依赖于手工特征和人工参与，不能自动分割医学图像。此外，它们中的大多数具有有限的分割能力，不能满足临床要求。
深度学习的方法
与传统的图像处理算法不同，基于深度学习的方法使用网络模型来学习图像数据集，直接获取高级抽象特征，无需人工干预。由于上级的性能，在医学图像分割中逐渐发挥了巨大的作用。在基于深度学习的方法中，20-30卷积神经网络（CNN）20-25在提取图像特征方面是智能的。Long等人提出了一种全卷积网络（FCN），它通过对每个像素进行分类来实现图像的语义分割。而FCN的上采样结果相对模糊，对图像细节不敏感，导致分割结果不太精细。Ronneberger等人25提出了基于FCN的U-Net，它通过跳过连接将高级和低级语义信息结合起来，以实现更准确的像素定位。雅普等人26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：基于补丁的LeNet、U-Net和FCNAlexNet。Hu等人27将扩张的FCN与基于相位的活动轮廓模型相结合，而Wang等人29开发了一种新的CNN，具有粗到细的特征融合，用于BUS图像分割。虽然这些基于CNN的方法提高了BUS图像分割的性能，但BUS图像中仍然存在对比度低和灰度不均匀的问题。
专注于自身问题的
为了提高分割预测结果的准确性，许多学者考虑消除模糊区域的边界泄漏31 -34，并加强网络特征映射中多尺度语义信息的融合35 -43。Xu et al.32设计了一个边界注意力引导模块，以在边界引导网络中学习更强大的分割特征，而Wu et al.34提出了一个基于FPN的边界引导多尺度网络，以提高BUS图像分割的性能。此外，Atrous Spatial Pyramid Pooling（ASPP）模块是在DeepLabv 235网络中提出的，Chen等人在DeepLabv 336和DeepLabv 3 +37中进行了改进，以不同的采样率对Atrous卷积进行采样。它能够在多个尺度下捕获图像的上下文信息，以确保特征图的准确性。Wu等人38采用DenseNet和ASPP模块用于超声图像。挤压和激发（SE）块由Hu等人提出。40在SE网络中控制尺度的大小，以增强重要特征并削弱不重要的特征，从而使提取的特征更具方向性。Rundo等人41将SE块纳入U-Net。然而，这些方法是稍微片面的，集中在多个特征之间的融合或加强弱边界的提取。在这方面，我们设计了一个网络，巧妙地统一了上述方法，不仅考虑嵌入边界方向模块来增强弱边界的提取，而且还考虑了多层次的特征融合。
本文在U-Net框架的基础上，提出了一种新的自动边界定向网络（BO-Net）用于BUS图像分割。由于乳腺肿瘤形状多变，超声图像对比度低，肿瘤边界不易识别。为了解决这个问题，我们设计了面向边界的模块（BOM），通过学习乳腺肿瘤区域的边界图来捕获弱边界。与其他医学图像相比，BUS图像的高噪声使得特征提取困难，因此我们采用ASPP模块和SE模块来提取有效的特征。本文的主要贡献如下：
（1）BOM能够学习更多的乳腺肿瘤边界图，补充了U-Net框架中忽略的边界细节。
(2)为了提高特征的有效性，我们用ASPP代替了U-Net中的过渡层，以捕获更丰富的多尺度特征信息。在编码器卷积后的跳跃连接中加入SE块，自适应地提取相关特征，抑制无关特征。
(3)我们在两个公共数据集上进行了实验。结果表明，我们的网络是上级的最先进的方法BUS图像肿瘤分割。

实验注意细节

1.实验数据
少的时候使用K-折交叉验证，一般四折或者五折
多的时候，4:1或者3：1
2.常用的公共数据集
BUSI
OASBUD
dataset B