在使用预训练深度神经网络的超声波对乳腺病变的分类中,灰色到色彩图像的转换

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳房超声波 (BUS) 对良性和恶性病变的图像分类通常依赖于预先训练的卷积神经网络 (CNN).
• 公共汽车图像是单通道灰度图像,而预训练有素的CNN通常使用三通道红,绿,蓝 (RGB) 彩色图像.
• 灰色到颜色的转换是必要的,以适应BUS图像的CNN输入.

研究的目的:

• 评估13种灰色到颜色的转换方法,用于使用CNN的BUS图像分类.
• 引入和评估一种基于结构信息的新型图像分解方法.
• 为了比较不同转换策略在乳腺病变分类中的性能.

主要方法:

• 对13种基于文献的灰色到色彩转换方法 (复制,分解,基于学习) 的评估.
• 引入一种使用损伤结构信息的新图像分解方法.
• 使用预训练的ResNet-18 CNN对3000多张BUS图像的数据集进行分类.
• 使用马修斯相关系数 (MCC),灵敏度 (SEN) 和特异性 (SPE) 的性能测量.

主要成果:

• 使用损伤二进制面具的分解方法优于复制和基于学习的方法 (MCC>0.70,特异性高达0.92,灵敏度~0.80).
• 提出的基于结构信息的方法实现了平衡的灵敏度和特异性 (每一个约0.88),MCC为0.73.
• 基于面具的分解方法提高了乳腺病变的分类性能.

结论:

• 灰色到颜色的转换对于将CNN应用于BUS图像分析至关重要.
• 基于损伤口罩的分解方法显著提高了乳腺损伤分类的准确性.
• 拟议的结构信息方法在敏感性和特异性之间提供了更好的平衡,有可能改善临床实践中恶性病例的检测.