语义拉普拉斯金字塔多中心乳腺肿瘤分割网络

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。