5.28.1 使用卷积神经网络检测乳腺癌

托比-马奎尔

已于 2024-08-25 21:14:07 修改

阅读量1k

点赞数 7

分类专栏：医学图像处理文章标签： cnn 人工智能神经网络

于 2024-05-29 18:03:42 首次发布

本文链接：https://blog.csdn.net/qq_47896523/article/details/139299847

版权

深度学习技术正在彻底改变医学图像分析领域，因此在本研究中，我们提出了卷积神经网络 (CNN) 用于乳腺肿块检测，以最大限度地减少手动分析的开销。CNN 架构专为特征提取阶段而设计，并采用了更快的 R-CNN 的区域提议网络 (RPN) 和感兴趣区域 (ROI) 部分，以实现乳腺肿块异常的自动检测。

模型可检测乳房 X 光检查 (MG) 图像中的肿块区域，并一次性将其分类为良性或恶性异常。对于所提出的模型，MG 图像是从本地的不同医院收集的。图像经过不同的预处理阶段，例如高斯滤波器、中值滤波器、双边滤波器，并从 MG 图像的背景中提取乳房区域。

1. 介绍

微钙化和肿块是乳腺癌的最早迹象，只能使用成像方式检测到。根据乳腺异常的侵袭阶段，异常可能是良性的或恶性的。与检测微钙化相比，检测乳房组织中的肿块更具挑战性。

2. 方法论

2.1 数据集

本项工作仅考虑了收集的 MG 图像中的肿块异常，即 1588 张具有肿块异常的完整乳房 X 射线图像，这些图像由专业放射科医生使用 labelMe Russell et al (2008) 注释工具进行注释。

2.2 方法

开发了基于 CNN 的乳腺肿块异常检测模型，该模型可自动检测肿块异常的感兴趣区域，并将其分类为 MG 图像中的良性或恶性。

2.2.1 数据收集

表 1 中描述的数据集是从埃塞俄比亚的不同医院收集的

2.2.2 MG图像预处理

为了提高数据质量并以适合深度学习训练的方式准备数据，对数据进行了预处理。为了消除图像中的噪声，应用了高斯滤波、中值滤波和双边滤波。随后使用对比度限制自适应直方图均衡化 (CLAHE) 增强图像，然后进行形态学操作和 OTSU 阈值处理，以从背景中提取乳房区域，并从 MG 中去除非乳房区域部分，例如伪影、标签、患者资料等。

2.2.3 模型训练

Bounding box regressor（边框回归器）在计算机视觉和目标检测中用于预测目标物体的边界框（Bounding Box）的位置和大小。其目标是从给定的物体位置（通常是一个初始边界框）开始，通过学习和预测修正值，使得模型能够准确地预测物体的边界框。这些修正值通常是相对于初始边界框的偏移量，包括水平偏移、垂直偏移、宽度缩放和高度缩放。

特征提取部分

特征提取部分有一系列五个卷积层，每个卷积层分别有 (64, 128, 256, 512,512) 数量的卷积核。每个卷积层后面都是 Relu 激活层、批量归一化层、最大池化层和 dropout，但第二层除外，它既没有 dropout 也没有最大池化。

通过调整 Faster R-CNN 的 ROI Pooling 部分的锚点边界框尺度、RPN 和最大池化的比率，它被用于检测肿块异常。使用了 9 个锚点，锚点框尺度分别为 32 × 32、64 × 64 和 128 × 128 像素，锚点框宽高比为 [1, 1]、[ $\frac{1}{\sqrt{2}}$ , $\frac{2}{\sqrt{2}}$ ] 和 [ $\frac{2}{\sqrt{2}}$ , $\frac{1}{\sqrt{2}}$ ]，ROI 最大池化大小为 (5,5)。