结合残差路径及密集连接的乳腺超声肿瘤分割

目的 乳腺癌是常见的高发病率肿瘤疾病，早期确诊是预防乳腺癌的关键。为获得肿瘤准确的边缘和形状信息，提高乳腺肿瘤诊断的准确性，本文提出了一种结合残差路径及密集连接的乳腺超声肿瘤分割方法。方法 基于经典的深度学习分割模型U-Net，添加残差路径，减少编码器和解码器特征映射之间的差异。在此基础上，在特征输入层到解码器最后一步之间引入密集块，通过密集块组成从输入特征映射到解码最后一层的新连接，减少输入特征图与解码特征图之间的差距，减少特征损失并保存更有效信息。结果 将本文模型与经典的U-Net模型、引入残差路径的U-Net （U-Net with Res paths）模型在上海新华医院崇明分院乳腺肿瘤超声数据集上进行10-fold交叉验证实验。本文模型的真阳率（true positive，TP）、杰卡德相似系数（Jaccard similarity，JS）和骰子系数（Dice coefficients，DC）分别为0.870 7、0.803 7和0.882 4，相比U-Net模型分别提高了1.08%、2.14%和2.01%；假阳率（false positive，FP）和豪斯多夫距离（Hausdorff distance，HD）分别为0.104 0和22.311 4，相比U-Net模型分别下降了1.68%和1.410 2。在54幅图像的测试集中，评价指标JS > 0.75的肿瘤图像数量的总平均数为42.1，最大值为46。对比实验结果表明，提出的算法有效改善了分割结果，提高了分割的准确性。结论 本文提出的基于U-Net结构并结合残差路径与新的连接的分割模型，改善了乳腺超声肿瘤图像分割的精确度。

Tumor segmentation in breast ultrasound combined with Res paths and a dense connection