基于空间自适应对抗网络的乳腺肿块图像分割方法研究.pdfVIP

摘要

基于空间自适应对抗网络的乳腺肿块图像分割方法研究

随着饮食习惯的改变和医学诊断的发展，乳腺癌患者的数量逐年增加。乳腺

癌已经成为社会上一个主要的公共卫生问题，是女性中最常见的癌症，也是女性

死亡的第二大原因。早发现早诊断早治疗是提高治愈率和降低死亡率的关键。乳

腺肿块是临床上乳腺癌最常见的病理特征之一，其大小和形状各异，边缘复杂，

特征多样，而乳房X光照片则是识别乳腺肿块的重要根据。临床上大多是放射科

医师根据X光照片提供可靠的意见辅助诊断，但是人工筛查费时费力，而且受到

医疗水平不一和其他主观因素的限制。因此，如何在乳房X光照片中自动分割乳

房肿块区域在乳腺癌早期诊断中是十分必要而且关键的。

近些年深度学习方兴未艾，在医疗图像处理方面，尤其是在图像分割领域，

基于深度学习的方法已取得了显著成就，其分割准确率已超过了传统分割方法。

FCN，U-Net，DeepLab，Gated-SCNN等各种网络模型纷纷涌现，为医疗图像分割

的发展注入了强大的动力。

在本文中，我们在U-Net的基础上提出了一个基于空间自适应对抗网络的乳

房肿块分割模型来实现在乳房X光照片中自动分割出乳房肿块区域。乳腺X光照

片中，乳房肿块通常被周围致密组织掩盖，形状不规则，边缘不平整，对比度较

低，这对自动分割出精确的肿块区域提出了较大的挑战。为了对U-Net分割的结

果进行后处理，得到更精细化和准确的分割结果，我们采用分割网络和鉴别网络

组成的生成对抗网络的模型框架，通过两个网络进行对抗训练，利用判别网络的

结果来监督分割网络的学习方向，进而达成优化分割结果的目标。由于传统的归

一化操作会丢失部分关键语义信息，所以我们在判别网络中添加了空间自适应归

一化层来捕捉并保持相应分割掩码中的语义信息，进而指导判别网络的学习方向。

此外，我们提出了一个由对抗损失，分割损失以及感知损失共同组成的混合损失

函数。由于在本文的分割任务中，乳腺X光图像中肿块占比较小，背景区域占比

较大，为了改善类别不平衡问题，分割损失函数采用Dice损失来替代经典的L1

损失。与此同时，为了保证生成结果与真实标签在语义特征上的一致，我们还增

加了衡量特征图之间差距的感知损失。另外，将分割和生成对抗网络结合需要大

量的卷积操作，参数量庞大，为了减少模型参数，我们在实验中将深度可分离卷

积引入U-Net网络。我们将该模型在两个最常使用的公共乳腺钼靶X线图像肿块

分割数据集(Inbreast和CBIS-DDSM)上进行了实验，实验结果表明，我们的方法

比其他最新的模型性能更好，其Dice指标在INbreast数据集达到了81.15%，

在CBIS-DDSM达到83.35%，充分证明了模型的有效性。

关键词：

乳腺肿块分割；深度学习；空间自适应归一化；生成对抗网络；深度可分离

卷积

Abstract

ResearchonImageSegmentationMethodofBreastMass

BasedonSpatialAdaptiveAdversarialNetwork

Withthechangesineatinghabitsandthedevelopmentofmedicaldiagnosis,the

numberofbreastcancerpatientsisincreasingyearbyyear.Breastcancer,asthemost

commoncanceramongwomen,hasbecomeamajorpublichealthprobleminsociety,

andthesecondleadingcauseoffemaledeath.Earlydetection,earlydiagnosisandearly

treatmentarethekeytoimprovingthecurerateandreducingthemortalityrate.Breast

tumorisoneofthemostcommonpathologicalfeaturesofbreastcancerincli