论文部分内容阅读
乳腺癌是威胁女性健康的第一大疾病。ABUS(Automated Breast Ultrasound)作为全自动扫描的乳腺癌检测机器,减少了扫描的主观性,但给医生带来了严重的阅片负担,ABUS机器扫描一个病人产生6-10个视频,每个视频有3300帧图像,为了实现对每个视频的秒级的诊断,利用计算机辅助诊断技术帮助医生在ABUS视频中快速精准定位肿瘤对医生的后续诊断具有重大的参考意义。目前已经有很多的计算机技术集中于ABUS的冠状面研究,然而横断面是ABUS机器中最原始的数据信息,但横断面视频中的信息比较复杂,图像噪声较多,并且肿瘤占据图像的比例较小,因此对横断面的肿瘤分割是一个巨大的挑战。本文提出了DFFGA(Deep Feature Flow of group convolution of attention mechanism)模型,对100个ABUS的横断面视频进行了快速精准地肿瘤分割,DFFGA以Deep Feature Flow网络为基础模型,进行了三个方面的改进:(1)针对Deep Feature Flow需要人为设定关键帧的问题,本文设计了关键帧选取网络。实现了自适应关键帧的选取,计算了每帧的底层特征,利用帧间底层特征差异突变选择关键帧,能够适用于不同数据集的关键帧选择;(2)本文引入了空间和通道注意力机制,实现了放大有意义的特征通道和特征位置的重要性。通道注意力模块通过提取全局上下文特征来赋予每个通道不同的权重,空间注意力模块通过漏斗形下采样上采样结构赋予了特征图的每个位置不同的权重,实现了将更多的精力放在重要的特征通道和重要的特征图的位置,放大有意义的通道和位置的重要性,以达到精准分割的目的;(3)针对分割速度慢的问题,本文对整个网络进行了轻量化操作实现了对横断面视频的快速分割。利用深度可分离卷积,将普通卷积分解为深度卷积核点式卷积,减少了模型的浮点运算量。最终DFFGA模型在ABUS数据集上的Io U达到了79.66%,Acc达到了85.62%,TPR达到了87.83%,FPR达到了12.17%,在保证模型执行效率的同时,提高了模型的分割性能。