條件GAN (cGAN) + Atrous卷積(AC) +帶權(quán)重塊的通道注意力(CAW)。

該論文提出了一種基于深度對抗學(xué)習(xí)的超聲圖像乳腺腫瘤分割分類方法（cGAN+AC+CAW），論文雖然是2019年提出的，但是他提出了使用GAN進(jìn)行分割的方法在當(dāng)時來說卻是一個非常新奇的想法，該論文基本上把所有當(dāng)時能夠整合的技術(shù)全部進(jìn)行了集成，并且還取得了很好的效果，所以是非常值得我們一讀的，此外論文還提出了具有典型對抗損失的SSIM和l1范數(shù)損失作為損失函數(shù)。

使用 cGAN+AC+CAW 進(jìn)行語義分割

生成器G

生成器網(wǎng)絡(luò)包含一個編碼器部分：由七個卷積層(En1到En7)和一個解碼器：七個反卷積層(Dn1到Dn7)組成。

在En3和En4之間插入一個atrous卷積塊。膨脹率1、6和9，內(nèi)核大小3×3，步長為2。

在En7和Dn1之間還有一個帶通道加權(quán)(CAW)塊的通道注意力層。

CAW塊是通道注意模塊(DAN)和通道加權(quán)塊(SENet)的集合，它增加了生成器網(wǎng)絡(luò)最高級別特征的表示能力。

鑒別器D

它是一個卷積層的序列。

鑒別器的輸入是圖像和標(biāo)記腫瘤區(qū)域的二值掩模的拼接。

鑒別器的輸出是一個10×10矩陣，其值從0.0(完全假的)到1.0(真實的)不等。

損失函數(shù)

生成器G的損失函數(shù)包括三個項:對抗性損失(二元交叉熵?fù)p失)、促進(jìn)學(xué)習(xí)過程的l1 -范數(shù)和改善分割掩碼邊界形狀的SSIM損失:

其中z是一個隨機(jī)變量。鑒別器D的損失函數(shù)為:

使用隨機(jī)森林進(jìn)行分類任務(wù)

將每一張圖像輸入經(jīng)過訓(xùn)練的生成網(wǎng)絡(luò)，獲得腫瘤邊界，然后從該邊界計算13個統(tǒng)計特征: fractal dimension, lacunarity, convex hull, convexity, circularity, area, perimeter, centroid, minor and major axis length, smoothness, Hu moments (6) and central moments (order 3 and below)

采用窮舉特征選擇(Exhaustive feature selection),算法來選擇最優(yōu)的特征集。EFS算法表明， fractal dimension, lacunarity, convex hull, centroid是最優(yōu)的4個特征。

這些選擇的特征被輸入一個隨機(jī)森林分類器，然后訓(xùn)練該分類器來區(qū)分良性和惡性腫瘤。

結(jié)果對比

分割

數(shù)據(jù)集包含圖像中包含的150個惡性腫瘤和100個良性腫瘤。為了訓(xùn)練的模型，將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集(70%)、驗證集(10%)和測試集(20%)。

該模型(cGAN+AC+CAW)在所有指標(biāo)上都優(yōu)于其他模型。其Dice和IoU得分分別為93.76%和88.82%。

論文模型的IoU和Dice與FCN、SegNet、ERFNet和U-Net等分割頭的箱線圖對比。

該模型對Dice系數(shù)的取值范圍為88% ~ 94%，對IoU的取值范圍為80% ~ 89%，而其他深度分割方法FCN、SegNet、ERFNet和U-Net的取值范圍更大。

分割結(jié)果如上圖所示，SegNet和ERFNet產(chǎn)生的結(jié)果最差，有大量的假陰性區(qū)域(紅色)，以及一些假陽性區(qū)域(綠色)。

而U-Net, DCGAN, cGAN提供了很好的分割，論文提出的模型提供了更精確的乳腺腫瘤邊界分割。

分類

所提出的乳腺腫瘤分類方法優(yōu)于[9]，總準(zhǔn)確率達(dá)85%。