基于深度卷积神经网络的超声图像乳腺病变分类(IEEE Access)

卷积神经网络的超声图像乳腺病变分类(IEEE Access)"/>

基于深度卷积神经网络的超声图像乳腺病变分类(IEEE Access)

Breast Lesion Classification in Ultrasound Images Using Deep Convolutional Neural Network

摘要：

近年来，卷积神经网络在医学图像分析中得到了广泛的应用。CNN有足够的标记数据，可以训练它学习图像特征，用于目标定位、分类和分割。尽管建立和改进医学图像分析的自动化系统有很多好处，但缺乏可靠和公开的生物医学数据集使这项任务变得困难。在本研究中，我们将研究CNN在超声(US)图像中对乳腺病变分类的有效性。首先，由于训练数据的数量有限，我们使用了一个定制的具有几个层和应用正则化技术的CNN来提高性能。其次，我们使用迁移学习，并为我们的数据集适用一些预先训练的模型。在这项工作中使用的数据集由数量有限的病例组成，总共641例，组织病理学分类(413例良性病变和228例恶性病变)。为了评估我们的分类器的结果如何在我们的数据集上泛化，我们使用了5折交叉验证，其中每折80%的数据用于训练，20%用于测试。准确性和ROC曲线下面积(area under the ROC curve, AUC)被用作主要性能指标。在应用任何正则化技术之前，我们获得了85.98%的肿瘤分类的总体准确性，AUC等于0.94。采用图像增强和正则化后，图像的正确率和AUC分别提高到92.05%和0.97。使用预先训练的模型，我们获得了87.07%的总体准确率和AUC等于0.96。实验结果表明，我们的定制架构对这个小型超声成像数据库的肿瘤分类是有效的，优于传统的基于手工特征选择的学习算法。

关键词：乳腺肿瘤，超声图像，卷积神经网络，迁移学习

1、引言