摘要：针对乳腺超声图像分类中的标签噪音问题,该文设计了一种协作标签修正网络(COLC-Net)。该方法基于乳腺超声BI-RADS评级噪音分布特点,为乳腺超声图像定义了软标签,并设计了双网络协作训练,以蒸馏优秀知识修正软标签。随着软标签准确性的增加,可以降低噪音标签负作用,并增强准确标签知识的学习。与现有最新方法进行比较,结果证实了该方法具有更好的效果。

摘要：基于乳腺超声图像研究了一种深度学习自动分类算法TDS-Net,用于实现乳腺影像报告和数据系统(BI-RADS)3、4a、4b、4c、5级的五分类.TDS-Net设计了双支路的结构:首先,第一条支路采用提出的DDModule叠加构成,该模块能够减少超声图像中的伪影并提取丰富的局部细节特征;其次,第二条支路由卷积块构成,它主要用于提取图像的全局特征信息,作为第一支路的信息补充;最后,将两条支路融合得到含有丰富特征信息的融合特征图,并采用深度可分离卷积和SENet进一步提取图中的信息,其中,深度可分离卷积能够减少参数并增加网络的非线性进而增强其提取特征的能力,SENet注意力机制能增强高阶特征信息的提取.为验证该算法,采用云南省肿瘤医院提供的数据进行实验,结果显示准确率、精准率、F1值分别为94.67%、94.81%、94.69%,均高于对比算法,体现了该算法的优越性.同时为验证该算法的鲁棒性和普适性,基于两个公共数据集做了良恶性二分类的实验,实验结果同样高于对比算法.这些结果表明,所提算法TDS-Net对乳腺超声图像具有较强的识别能力,有望应用于临床医学.

摘要：目的根据乳腺超声图像的分级标准(BI-RADS)为诊断的指导,初步完成了诊断系统的设计。在图像处理中引入LBM滤波,并用无初始化的C-V模型进行分割,从形态特征与纹理特征入手,提取图像中相应的特征参数。采用支持向量机方法对所提取的特征参数进行分类。通过对88幅乳腺超声图像(其中良性37例、恶性51例)进行训练和测试,得到的判别准确率、敏感性和特异性分别为91.4%、94.4%和86.4%。结果表明,依据BI-RADS的分级特征研究有利于计算机辅助诊断在临床中的应用。