-
题名语义拉普拉斯金字塔多中心乳腺肿瘤分割网络
被引量:2
- 1
-
-
作者
王黎
曹颖
郭顺超
唐雷
郐子翔
王荣品
王丽会
-
机构
贵州大学计算机科学与技术学院
贵州省智能医学影像分析与精准诊断重点实验室
贵州省人民医院放射科
哈尔滨医科大学肿瘤附属医院成像中心
-
出处
《中国图象图形学报》
CSCD
北大核心
2021年第9期2193-2207,共15页
-
基金
国家自然科学基金项目(61661010)
贵州省科技计划项目(ZK[2021]重点002)
+2 种基金
贵州省科技计划项目([2018]5301)
中法“蔡元培”交流合作项目([2018]41400TC)
贵州省科学计划基金项目([2020]1Y255)。
-
文摘
目的乳腺肿瘤分割对乳腺癌的辅助诊疗起着关键作用,但现有研究大多集中在单中心数据的分割上,泛化能力不强,无法应对临床的复杂数据。因此,本文提出一种语义拉普拉斯金字塔网络(semantic Laplacian pyramids network, SLAPNet),实现多中心数据下乳腺肿瘤的准确分割。方法 SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责得到多尺度的图像输入,后者负责提取多尺度的语义特征并使语义特征能在不同尺度间传播。结果网络使用Dice相似系数(Dice similarity coefficient, DSC)作为优化目标。为了验证模型性能,采用多中心数据进行测试,与Attention UNet、PSPNet(pyramid scene parsing network)、UNet 3+、MSDNet(multiscale dual attention network)、PyConvUNet(pyramid convolutional network)等深度学习模型进行对比,并利用DSC和Jaccard系数(Jaccard coefficient, JC)等指标进行定量分析。使用内部数据集测试时,本文模型乳腺肿瘤分割的DSC为0.826;使用公开数据集测试时,DSC为0.774,比Py Conv UNet提高了约1.3%,比PSPNet和UNet3+提高了约1.5%。结论本文提出的语义拉普拉斯金字塔网络,通过结合多尺度和多级别的语义特征,可以在多中心数据上准确实现乳腺癌肿瘤的自动分割。
-
关键词
乳腺肿瘤分割
深度学习
语义金字塔
多尺度语义特征
多中心数据集
-
Keywords
breast tumor segmentation
deep learning
semantic pyramids
multiscale semantic feature
multicenter dataset
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-