BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统

本文主要是介绍BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统

Engineering Science and Technology, an International Journal 36 (2022) 101154

背景

乳腺肿瘤是诊断癌症最突出的指标之一。肿瘤的精确分割对于提高癌症检测的准确性至关重要。医生对核磁共振扫描的评估是耗时的，需要大量的人力和专业知识。此外，传统的医学分割方法经常需要先验信息或手动特征提取，从而导致主观诊断。

贡献

首先，我们为生成器使用了编码器和解码器之间具有跳过连接的编码器-解码器深度网络，以提高定位效率。其次，我们利用平行扩张卷积（PDC）模块来保留各种大小质量的特征，并有效地提取关于质量的边缘和内部纹理的信息。第三，在cGAN的损失函数中加入了一个额外的分类相关约束，以减轻基于分类的图像到图像（I2I）翻译任务中难以收敛的挑战。我们提出的模型的生成器侧学习检测肿瘤并构建二元掩模，而鉴别器学习区分基本真相和合成掩模，从而驱动生成器生成尽可能真实的掩模。
（1）本研究首次将cGAN架构与DCE-MRI图像一起用于乳腺肿瘤分割，
（2）PDC模块用于利用图像的多尺度和上下文信息，在不降低特征图分辨率的情况下，以不同的扩张率不断扩展感受野，
（3）我们在损失函数中添加了与分类相关的约束对cGAN进行正则化，使其更有效地解决医学图像的语义分割（SS）任务。
（4）我们的分割方法在公共数据集上取得了比U-Net更好的性能，并改进了U-Net。

实验

RIDER（用于评估治疗反应的参考图像数据库）该数据集包括对不同患者的DCE-MRI扫描，并进行了地面实况分割。地面实况分割部分已由领域专家手动标记。每次扫描的尺寸为288 x 288。数据集采用DICOM格式，每次扫描有60个切片。实验总共使用了500次带有真实面具的乳房MRI扫描，按80:20的比例分别用于训练（400）和测试（100）。由于数据集的数量相对较少，因此在该数据集的实验中采用了五倍交叉验证。增加了训练分割（通过水平和垂直随机翻转、旋转、变化尺度、伽玛校正），将数据集大小增加到3200。数据集已经过预处理，并被重塑为256 x 256的维度。

方法

我们提出的BTS-GAN是一种基于cGAN的监督学习方法，需要输入图像和目标图像成对的数据。假设“A”是我们的源图像，“B”是我们在分割问题中的基本事实（二进制掩码）。BTS-GAN的生成器试图生成应该类似于B的二进制掩码。相反，BTS-GAN的鉴别器网络学习生成的掩码是否与B相同，即，真掩码还是假掩码。生成器具有单个图像作为其输入和输出，而鉴别器接收来自生成器的生成输出及其对地实况作为输入，并尝试对该值进行评分。生成器的得分被计算为对抗性得分，该对抗性得分提供了学习和输出正确分割（二进制掩码）的潜力。这两个网络在最小-最大两人博弈论中相互竞争。

Parallel dilated convolution module（并行扩展卷积模块）

三个平行的卷积分支组成PDC模块。特别地，具有不同膨胀率的几个膨胀卷积级联在PDC模块的一个分支中，这提高了各种尺度目标的特征图的代表性。然后逐元素添加每个分支的输出，以实现多尺度特征融合。图3详细说明了PDC模块。在第一个分支中，使用简单的3 x 3卷积来实现特征采样。两个和三个3×3卷积运算分别级联在第二和第三分支中。在第二个分支中，基本的3×3卷积和速率为2的扩张卷积依次级联。最后一个分支中的三个3 x 3卷积层的收缩率分别为1、2和3。因此，PDC模块保留了图像中的多尺度和上下文信息，同时最大限度地减少了由单个扩张卷积引起的周围像素中的信息损失。

损失函数

这篇关于BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---