深度學(xué)習(xí)技術(shù)正在徹底改變醫(yī)學(xué)圖像分析領(lǐng)域，因此在本研究中，我們提出了卷積神經(jīng)網(wǎng)絡(luò) (CNN) 用于乳腺腫塊檢測(cè)，以最大限度地減少手動(dòng)分析的開(kāi)銷。CNN 架構(gòu)專為特征提取階段而設(shè)計(jì)，并采用了更快的 R-CNN 的區(qū)域提議網(wǎng)絡(luò) (RPN) 和感興趣區(qū)域 (ROI) 部分，以實(shí)現(xiàn)乳腺腫塊異常的自動(dòng)檢測(cè)。

模型可檢測(cè)乳房 X 光檢查 (MG) 圖像中的腫塊區(qū)域，并一次性將其分類為良性或惡性異常。對(duì)于所提出的模型，MG 圖像是從本地的不同醫(yī)院收集的。圖像經(jīng)過(guò)不同的預(yù)處理階段，例如高斯濾波器、中值濾波器、雙邊濾波器，并從 MG 圖像的背景中提取乳房區(qū)域。

1. 介紹

微鈣化和腫塊是乳腺癌的最早跡象，只能使用成像方式檢測(cè)到。根據(jù)乳腺異常的侵襲階段，異?？赡苁橇夹缘幕驉盒缘摹Ｅc檢測(cè)微鈣化相比，檢測(cè)乳房組織中的腫塊更具挑戰(zhàn)性。

Organization 等人 (2006) 的研究表明，種族、地理位置和其他風(fēng)險(xiǎn)因素會(huì)決定乳腺癌的發(fā)展。在這項(xiàng)工作中，我們提出了基于卷積神經(jīng)網(wǎng)絡(luò) (CNN) 的乳腺腫塊檢測(cè)方法，以同時(shí)定位腫塊并將其分類為良性或惡性異常。為了訓(xùn)練、驗(yàn)證和測(cè)試該方法，我們從不同站點(diǎn)收集了數(shù)據(jù)集。

2. 方法論

2.1 數(shù)據(jù)集

這項(xiàng)工作僅考慮了收集的 MG 圖像中的腫塊異常，即 1588 張具有腫塊異常的完整乳房 X 射線圖像，這些圖像由專業(yè)放射科醫(yī)生使用 labelMe Russell et al (2008) 注釋工具進(jìn)行注釋。

2.2 方法

開(kāi)發(fā)了基于 CNN 的乳腺腫塊異常檢測(cè)模型，該模型可自動(dòng)檢測(cè)腫塊異常的感興趣區(qū)域，并將其分類為 MG 圖像中的良性或惡性。

對(duì) INbreast Moreira 等人（2012 年）拍攝的 116 張完整 MG 圖像和 CBIS-DDSM Lee 等人（2017 年）拍攝的 1380 張完整 MG 圖像進(jìn)行了預(yù)處理和增強(qiáng)，以便為訓(xùn)練我們的模型和本地收集的數(shù)據(jù)集提供初始權(quán)重。

2.2.1 數(shù)據(jù)收集

表 1 中描述的數(shù)據(jù)集是從埃塞俄比亞的不同醫(yī)院收集的

2.2.2 MG圖像預(yù)處理

為了提高數(shù)據(jù)質(zhì)量并以適合深度學(xué)習(xí)訓(xùn)練的方式準(zhǔn)備數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理。為了消除圖像中的噪聲，應(yīng)用了高斯濾波、中值濾波和雙邊濾波。隨后使用對(duì)比度限制自適應(yīng)直方圖均衡化 (CLAHE) 增強(qiáng)圖像，然后進(jìn)行形態(tài)學(xué)操作和 OTSU 閾值處理，以從背景中提取乳房區(qū)域，并從 MG 中去除非乳房區(qū)域部分，例如偽影、標(biāo)簽、患者資料等。

2.2.3 模型訓(xùn)練

Bounding box regressor（邊框回歸器）在計(jì)算機(jī)視覺(jué)和目標(biāo)檢測(cè)中用于預(yù)測(cè)目標(biāo)物體的邊界框（Bounding Box）的位置和大小。其目標(biāo)是從給定的物體位置（通常是一個(gè)初始邊界框）開(kāi)始，通過(guò)學(xué)習(xí)和預(yù)測(cè)修正值，使得模型能夠準(zhǔn)確地預(yù)測(cè)物體的邊界框。這些修正值通常是相對(duì)于初始邊界框的偏移量，包括水平偏移、垂直偏移、寬度縮放和高度縮放。

特征提取部分有一系列五個(gè)卷積層，每個(gè)卷積層分別有 (64, 128, 256, 512,512) 數(shù)量的卷積核。每個(gè)卷積層后面都是 Relu 激活層、批量歸一化層、最大池化層和 dropout，但第二層除外，它既沒(méi)有 dropout 也沒(méi)有最大池化。

通過(guò)調(diào)整 Faster R-CNN Ren et al (2015) 的 ROI Pooling 部分的錨點(diǎn)邊界框尺度、RPN 和最大池化的比率，它被用于檢測(cè)腫塊異常。我們使用了 9 個(gè)錨點(diǎn)，錨點(diǎn)框尺度分別為 32 × 32、64 × 64 和 128 × 128 像素，錨點(diǎn)框?qū)捀弑葹?[1, 1]、[, ] 和 [, ]，ROI 最大池化大小為 (5,5)。

使用?0.9 動(dòng)量、500 個(gè) epoch、0.00001 學(xué)習(xí)率、RPN 的 Adam 和整個(gè)模型的隨機(jī)梯度下降 (SGD) 作為優(yōu)化器。所提出的模型是使用 Python 和 Keras 實(shí)現(xiàn)的，其中 Tensorflow 用作后端。

3. 結(jié)果與討論

描述了一種基于 CNN 的方法，用于檢測(cè)腫塊區(qū)域并將其分為良性和惡性。研究了在本地多中心 MG 數(shù)據(jù)集中一次性檢測(cè)、定位腫塊異常并將其分類為良性或惡性。很難將我們的檢測(cè)結(jié)果與以前的本地研究直接進(jìn)行比較。因此，我們對(duì)基于 VGG 的更快 R-CNN Ren et al (2015) 架構(gòu)進(jìn)行了訓(xùn)練、驗(yàn)證和測(cè)試，以便使用收集到的數(shù)據(jù)集與我們模型的性能進(jìn)行比較。在收集到的所有圖像中，選擇了 1588 張包含腫塊異常的完整 MG 圖像，然后由專業(yè)放射科醫(yī)生使用 labelMeRussell et al (2008) 注釋工具對(duì)其進(jìn)行注釋。在 1588 張 MG 圖像中，有 1683 個(gè)乳腺腫塊異常。數(shù)據(jù)集被隨機(jī)分成 80% 用于訓(xùn)練、10% 用于驗(yàn)證和 10% 用于測(cè)試。

對(duì) INbreast Moreira 等人（2012 年）、CBIS-DDIS Lee 等人（2017 年）執(zhí)行了相同的流水線預(yù)處理，并為所提出的模型和基于 VGG 的Faster R-CNN 收集了本地 MG 數(shù)據(jù)集。

在預(yù)處理階段：將不同的成像格式（例如 DICOM 醫(yī)學(xué)圖像格式）轉(zhuǎn)換為 .png 圖像格式，去除噪音，從背景中提取乳房區(qū)域，刪除患者信息，清除偽影和其他不需要的物體。分別使用 3×3 和 5×5 大小的高斯、中等和橫向?yàn)V波器進(jìn)行降噪，并使用 MSE 評(píng)估去噪結(jié)果。在考慮的兩種卷積核尺寸中，最終使用了 3×3 大小的卷積核。此外，使用 CLAHE 增強(qiáng)去噪后的 MG 圖像，然后提取乳房區(qū)域并使用 OTSU 和形態(tài)學(xué)操作去除不需要的偽影。