一种乳腺X线影像肿块的多特征融合检测算法
电子技术应用
吴明明，顾春华
（上海理工大学 光电信息与计算机工程学院，上海 200093）
摘要：针对在单视图的乳腺肿块检测算法中漏检率和假阳性率较高的问题，提出了一种改进的自动检测算法。将扩张残留网络（Dilated Residual Network，DRN）结合重新设计的特征金字塔网络（Feature Pyramid Network，FPN）用于对乳腺肿块的检测。首先利用DRN中的膨胀卷积，减少对图像的下采样次数；再扩充网络的深度，使其输出满足FPN所需的输入；在FPN结构中，采用注意力机制降低不同特征图直接融合所造成的信息损失，同时采用密集连接代替原有的横向连接，充分融合浅层特征中目标的位置和细节信息。仿真实验显示，所设计的模型在CBSI-DDSM数据集上的检测精度相比于基准模型提升了7.1%。
中图分类号：TP391.9
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223549
中文引用格式：吴明明，顾春华. 一种乳腺X线影像肿块的多特征融合检测算法[J]. 电子技术应用，2023，49(7)：35-40.
英文引用格式：Wu Mingming，Gu Chunhua. A mutil-feature fusion algorithm for Mammography masses[J]. Application of Electronic Technique，2023，49(7)：35-40.
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223549
中文引用格式：吴明明，顾春华. 一种乳腺X线影像肿块的多特征融合检测算法[J]. 电子技术应用，2023，49(7)：35-40.
英文引用格式：Wu Mingming，Gu Chunhua. A mutil-feature fusion algorithm for Mammography masses[J]. Application of Electronic Technique，2023，49(7)：35-40.
A mutil-feature fusion algorithm for Mammography masses
Wu Mingming，Gu Chunhua
(School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China)
Abstract：Aiming at the problem of the high probability of miss and false positive rates in single-view Mammography, an improved automatic detection algorithm is proposed in this paper. The dilated residual network (DRN) combined with a modified feature pyramid network (FPN) is used for the detection of breast masses. The expansion convolution in DRN is used to reduce the number of downsampling of images. The number of layers of the DRN is also increased to satisfy the required input of the FPN. In the FPN structure, the attention mechanism is used to reduce the information loss caused by the direct fusion of different feature maps, while dense connections are used instead of the original lateral connections to make full use of the location and detailed information on the target for the shallow features. Simulation experiments show that the detection accuracy of the designed model on the CBSI-DDSM dataset is improved by 7.1 percent compared to the baseline.
Key words :breast cancer；multi-scale features；object detection；feature pyramid network；dilated residual networks
0 引言
近几十年以来，乳腺癌已经成为影响全世界女性健康最主要的癌症之一，女性新确诊的癌症病例中乳腺癌占30%。由国际癌症机构（IARC）在2020 年发布的《2020年全球癌症负担报告》中显示，2020年全球估计有1 930万新癌症病例和近1 000万癌症死亡病例。女性乳腺癌已经超过肺癌成为最常见的癌症。随着深度学习在计算机视觉、医学图像等领域的发展，用于检测乳腺肿块的计算机辅助系统已成为预防乳腺癌的重要技术手段。
目前，一些基于双阶段检测算法的CAD系统已经应用于医学图像的检测。2020年,Liu引入了二部图卷积网络，从交叉视图的特征图映射出二部图节点，对交叉视图的几何约束和外观相似性进行建模，使得模型在乳腺肿块检测中具有推理能力;Guo对FPN的3个设计缺陷进行了改进，在Faster R-CNN中用AugFPN替换FPN，使用ResNet50和MobileNet-v2作为主干时，平均精度（mAP）分别提高了2.3%和1.6%;An在Mask R-CNN的基础上提出了一种适用于乳腺肿块检测的D-Mask R-CNN模型，将FPN中的横向连接改为了密集连接,模型应用在CBIS-DDSM数据集上比Mask R-CNN模型的mAP提高了0.05；Xiao提出了一种通道自注意模块（CSA），将主干网络（backbone）中加入CSA模块，结合cascade R-CNN进一步提高了对乳腺肿块的检测精度。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005389
作者信息：
吴明明，顾春华
（上海理工大学 光电信息与计算机工程学院，上海 200093）
此内容为AET网站原创，未经授权禁止转载。