文摘

提高乳腺肿块的自动分割精度数字乳房tomosynthesis(印度生物技术部)图像,我们提出一个印度生物技术部质量自动分割算法通过使用U-Net架构。首先,抑制背景噪声,提高组织的对比质量候选人地区,印度生物技术部的上流社会的变换后图像,构造约束矩阵和增加印度生物技术部的形象。其次,一个高效U-Net神经网络建立和图像补丁之前提取数据增加建立训练集训练U-Net模型。然后印度生物技术部实现肿瘤的presegmentation,最初将每个像素分为两种不同类型的标签。最后,所有区域小于50像素点视为假阳性是移除,和中值滤波方法消除质量边界获得最终的分割结果。该方法可以有效地提高性能的群众在印度生物技术部图像的自动分割。使用检测精度(Acc),灵敏度(Sen),特异性(Spe)和曲线下面积(AUC)作为评价指标,Acc, Sen, Spe,和AUC印度生物技术部质量分割在整个实验数据集是0.871,0.869,0.882,和0.859,分别。我们建议U-Net-based印度生物技术部质量自动分割系统获得可喜的成果,这是优于一些经典架构,并且可能会有临床应用前景。

1。介绍

乳腺癌是最常见的女性乳腺上皮组织的恶性肿瘤,严重威胁患者的身心健康1]。近年来,乳腺癌已成为一个重要的公共卫生问题在当今社会发病率上升的发病率和年轻组。早期诊断和治疗能有效降低死亡率,提高患者的生活质量(2,3]。数字乳腺tomosynthesis(印度生物技术部)是一种新的三维断层乳腺癌筛查的方法。它可以重建少量的低剂量的乳腺图像从一个有限的角度成三维乳腺图像,可以更好地发现一些隐藏的病变4]。与传统设备相比,尽管印度生物技术部检测乳腺肿瘤的敏感性有所提高,也大大增加了放射科医生的解释数据量,这是耗费时间和重复性差5- - - - - -7]。如果计算机可以在印度生物技术部图像自动检测乳腺肿瘤,它不仅可以减少放射科医生的复习时间也有效减少过度疲劳造成的误判。因此,自动分割乳腺肿瘤在印度生物技术部助理检查图像具有重要的临床价值,乳腺癌的早期诊断,术前定位(8- - - - - -10]。

图像自动分割乳腺肿块的辩证行为疗法是一项具有挑战性的任务,因为印度生物技术部的二维切片图像的信噪比不高和乳腺肿块的意义不强11]。虽然很难实现精确的自动分割印度生物技术部肿瘤,许多科学家取得了卓有成效的探索印度生物技术部的自动分割肿瘤近年来由于其在辅助诊断和治疗具有重要意义[12]。这些研究可以大致分为两类13]。一个是乳房重建切片图像质量检测基于辩证行为疗法。赖泽et al。14)提出了一个乳房质量检测计算机辅助诊断(CAD)系统,它使用一个径向梯度指数在印度生物技术部检测和部分可疑病变重建图像。实验结果表明,将基于垂直方向信息并不能提高性能的梯度分类器,但它可以提高shape-based分类器的性能。在另一项早期的研究中,陈等人。15)也提出了一个自动检测乳腺肿瘤的方法,包括印度生物技术部重建图像插值获得三次像素,梯度场分析来确定可疑区域,三维区域生长分割和特征分析,灵敏度为85%。然后,陈等人。16]研究投影图像的数量之间的关系和剂量用于获得印度生物技术部图像和算法的性能和使用一组21二维投影图像或11重建切片图像进行测试。另一个乳房的质量检测是基于印度生物技术部的二维投影图像。范Schie et al。17乳房肿块)提出了一个自动检测方法,使用一个乳房x光检查图像库训练分类器。优化,使这项技术适合印度生物技术部图像、层析图像重建体积产生图像进行分析。帕尔马et al。18)构建一个系统自动检测乳腺肿块的印度生物技术部重建图像通过使用模糊理论和敌对的推理方法。金等。19]研究了重建切片图像的特点对乳腺肿瘤的检测性能在印度生物技术部重建图像和提出了一个自动检测乳腺肿瘤的方法特点的基础上重建切片图像由印度生物技术部。此外,一些研究人员的信息融合投影图像和重建图像检测印度生物技术部肿瘤。混合方法的二维和三维图像被用来段印度生物技术部质量与投影图像和重建的图像信息20.]。

在过去的几年里,卷积神经网络(CNN)基于深度学习已成为计算机视觉领域的一个研究热点,由于其强大的能力来表达图像特征(21,22]。它在图像识别和分类方面取得了丰硕成果,目标探测等领域。Elboushaki等人验证,CNN模型可以识别好乳腺功能(23]。Vigueras-Guillen等人首次提出的卷积网络语义分割,取代传统的完整连接层与卷积CNN层来获得一个粗略的标签图,然后利用反褶积层样品的标签图来实现每个像素的分类结果(24]。Ciresan等人使用补丁101×101像素的火车有丝分裂的CNN检测在乳腺癌组织学图像,谁赢了ICPR 2012有丝分裂检测大赛F1-score为0.78225]。张等人提出了一种新的FCN-like结构,U-net, Bio-cell图像分割(26]。这种方法已经在医学领域引起了相当大的关注,因为U-net架构支持少量的数据训练模型和快速图像分割与训练模型。目前,该方法已被应用于许多不同的任务并取得优秀的成果,如图像分割和图像转换。(27,28]。

在这项工作中,我们提出一个有效的印度生物技术部质量自动分割算法通过使用U-Net架构,这只适用于弱human-annotated质量面具。抑制背景噪声,提高组织的对比质量候选区域,我们构造一个约束矩阵,这是乘以印度生物技术部上流社会的变换后图像。U-Net架构是建立和图像增强补丁之前提取数据。然后,presegmentation印度生物技术部乳房肿瘤的图像实现。所有区域小于50像素点视为假阳性后删除并得到最终的分割结果中值滤波方法消除质量边界。该方法可以有效地提高性能的群众在印度生物技术部图像的自动分割。印度生物技术部的架构是开发和评估图像数据库由neuroradiologist在我们的研究团队。实验结果表明印度生物技术部测试数据库提出了印度生物技术部质量CAD体系结构实现高水平的分割。据我们所知,这是第一个印度生物技术部研究雇佣U-Net框架部分群众在印度生物技术部自动图像。

剩下的部分组织如下。节2,该方法。数据库用于评价提出了详细的和结果和讨论部分3。最后,提出了主要结论部分4。

2。方法

我们建议的方法包括六个主要阶段:印度生物技术部图像预处理,提取,数据增加,投票方案融合,通过U-Net分割架构和后处理。概述我们的提出的体系结构如图1。

2.1。印度生物技术部图像预处理

通常,随机分布的x射线光子在乳房x光检查或印度生物技术部图像将严重影响乳腺图像的质量。然而,随着平均光子数(x射线剂量)的增加,噪声会逐渐减少。对于一个典型的印度生物技术部系统,辐射是一个重要因素,避免辐射诱导癌症的风险。因此,低辐射剂量是创建tomosynthesis时经常使用图片和印度生物技术部的总辐射剂量是略高于标准的乳房x光检查。理论上,典型的印度生物技术部图像通常包含泊松分布噪声。为了解决这个问题,一个上流社会的变换应用于增强对比候选肿瘤位置区域和背景组织,定义为 在哪里表示预处理图像,代表形态“关闭”操作,表示形态“开放”操作和阀瓣结构元素。同时,提高候选人的位置区域和抑制背景的组织,一个约束矩阵我们构造与图像矩阵的乘积。约束矩阵是由一个各向同性的径向基函数集中在候选人的位置区域方差(5毫米)。可以详细,随机选择一个标记的位置从所有的位置在一个图像视图删除从 ,在哪里

图2图显示了印度生物技术部图像预处理效果2(一个)原始图像和图吗2 (b)是图像预处理。

2.2。图像块生成

一般来说,它是简单的训练提出U-Net直接利用图像块提取印度生物技术部质量区域因为我们有位置信息的质量培训和测试图像集。然而,可用的数据集有一个小数量的例子与其他U-net分类问题相比,和整个图像的直接使用最有可能导致过度拟合。这可以通过把图像分解为补丁来解决数据集从而增加复杂性和维度。事实上,nonmass地区也可以为乳房提供一些有用的信息质量分割任务。在我们的模型中,输入U-Net架构是一个二维数组,形状高度×宽度,因为它由一个二维片宽×高像素点。二维补丁的x- - - - - -y轴,也称为解剖学的轴面。为了避免过度拟合,我们可以从质量和提取图像补丁nonmass地区扩大训练数据。我们使用从nonmass区域提取的图像补丁的额外负样本U-Net架构培训,帮助该模型区分混杂地区和印度生物技术部质量。

此外,训练数据必须是平衡的;即,相同数量的例子为每个类应该被包括在训练数据,这是确保U-Net模型可以概括。然而,大众区域的像素数量明显小于nonmass地区,导致严重的类不平衡问题。为了解决这个问题,我们在每个时代相同数量的随机重新取样为每个类从所有可能的补丁,补丁类。

2.3。U-Net架构

在这一部分中,我们将简要介绍典型U-Net模型提出的体系结构及其应用对我们的印度生物技术部质量CAD系统。我们执行端到端通过U-Net pixel-wise分割模型。如图3我们说明我们的模型的框架。拟议中的U-Net-based印度生物技术部质量分割架构主要由承包路径在左边和右边的一个广阔的道路。收缩路径模型中的卷积网络的典型结构,包括两个3×3运算反复应用,每个卷积是紧随其后的是一个修正线性单元(ReLU)和一个2×2 max-pooling操作2步,用于采样。在每个采样步骤,我们双通道的数量特征。的每一步的地图路径包括抽样的特性,其次是一个2×2卷积(“卷积”),这部分功能通道的数量,瀑布中相应的裁剪功能映射收缩路径,和两个3×3的隆起,每个是一个ReLU紧随其后。因为每一个卷积将失去图像的边界像素,图像必须裁剪。在最后一层的网络,使用1×1卷积每64组件的特征向量映射到所需的类数。总共有23卷积层在我们提出U-Net架构。

2.4。培训过程

在培训过程中,我们有平衡的训练数据随机在每个时代相同数量的重采样为每个类从所有可能的补丁,补丁类。然而,值得注意的是,质量检测任务仍然有class-imbalance问题,阳性样品的数量(即。像素质量地区),远小于的数量(即负样本。像素nonmass地区)。因此,在我们的研究中,提出了U-Net模型使用 - - - - - -测量成本函数,而不是cross-entropy-based或二次成本函数。表示年代和T预测的热图和地面真理的热图,分别。让米表示元素的个数(像素)年代和T, - - - - - -测量基于损失函数被定义为 在哪里是我预测的热图和th元素是我地面实况的热图的th元素。在我们的研究中,我们设置 。

在培训过程中,输入图像和相应的分割的热图用于火车U-Net模型与随机梯度下降法。除此之外,我们应用自适应估计方法(亚当)[29日)这是一个随机梯度下降法,计算为每个参数来减少自适应学习速率 - - - - - -控制损失函数。亚当优化器参数设置我们的提议U-Net架构学习速率= 0.0002和时代的最大数量= 150。我们采取了Xavier正常启发式(30.)来初始化内核重量在我们的研究中,它允许我们保持梯度控制水平,从而防止在bp梯度消失。偏见都初始化为0。由于填充物的旋转,输出图像的大小是小于一个常数边界输入图像的宽度。为了最小化和最大化利用GPU内存开销,我们倾向于使大型输入瓷砖在大型批量大小,因此减少批处理单个图像。因此,我们应用一个高动力使大量先前见过的训练样本确定更新当前优化步骤。

2.5。印度生物技术部数据增加

为了提高U-Net的性能,我们需要扩展数据从原始数据生成更多的培训数据。在典型的应用程序U-Net神经网络的图像处理和计算机视觉任务,使用平移和旋转。在这项研究中,二维的数据完全由补丁。因此,翻译不能使用,因为它会导致一个不同的补丁,可能不同的标签。然而,使用旋转的补丁可能会给一些性能改进。因此,我们执行的使用角度多个旋转90°。

2.6。投票方案

每个测试印度生物技术部图像补丁的第一分成一组,并为每一个补丁一个概率预测是由使用U-Net模型。这些预测然后融合成最终的图像标签使用以下三个投票方案之一。前三个(多数投票,最大概率,概率之和)也使用和比较(31日),而另一个(连接)是我们提出的。这个投票计划我们的动机是加强空间一致性选票的补丁,因为在现实中真正的图像标签可能是分配基于一个特定的结构连接的区域组织,而不是在许多断开连接的部分。特别是,如果补丁投相同的标签是相邻的,那么这应该是一个更重要的投票比如果他们分开。精确的定义。

2.6.1。多数投票

让我们为类定义的斑块数量投票标签k作为 在哪里l_我补丁的类标签吗我。图像标签然后选为最常见的补丁标签

2.6.2。最大的概率

之多的补丁概率决定图像类标签 在哪里(补丁我 类k)。

2.6.3。概率的总和

补丁类概率最大的总结和类和选择

2.6.4。连接

这种方法是基于计算数量c_k为每个类的连接k,意味着两个相邻补丁的连接具有相同的类标签k。这些数量计算 在哪里毗邻补丁的补丁吗我沿着对角线,包括补丁。然后使用获得的数量重量类选票作为

2.7。分割后处理

一些小型集群可能错误地分类为印度生物技术部质量。处理这个问题,我们对体积约束通过删除集群在U-Net分割获得的不到50像素点在卷。

3所示。实验的细节

3.1。材料

收集使用的基准图像临床辩证行为疗法在浙江中国医科大学附属Guangxing医院和浙江省医院中药(TCM)的机构审查委员会(IRB)批准。每个印度生物技术部图像是由低剂量,剂量应总射击的范围内定期乳房x光剂量。印度生物技术部病例在中间外侧的斜(枣疯病)和身高(CC)视图(西门子Mammomat灵感印度生物技术部系统)使用总层析的60°角范围5°旋转增量和12投影视图。印度生物技术部的重建图像与1毫米片间距通过联合代数重建技术(SART)。我们将图像转换为TIFF栈/片和使用JPEG格式的数据。根据乳房的厚度不同,每个印度生物技术部卷为50至80 2 d切片提供分辨率为1200±901像素,这是保存在JPEG格式。

数据库包括87印度生物技术部卷和3960片2 d x射线图像。在这些例乳腺癌患者中,29日是良性恶性和42(绝对健康)。无论是印度生物技术部卷收集从左和右乳房的23个患者没有乳腺癌的早期迹象。癌症病例的队列是由两名有经验的放射科医生注释与印度生物技术部的2 d边界框。

3.2。实验设计

我们的目的是评估三种情况反映共同的实践研究和评估的印度生物技术部质量分割U-Net模型:(我)模型试验的数据用于模型训练和来自同一家医院(2)模型的数据用于模型的训练和测试来自不同的医院(3)数据用于模型训练来自同一机构作为模型试验的数据丰富的额外的数据来自不同的医院导致增加训练数据集的大小

我们使用以下方法来模拟三个场景5倍crossvalidation。首先,我们印度生物技术部连续切片图像数量为每个医院。在一个折叠,训练集和测试集的序列号。自动段印度生物技术部测试集的质量,我们开发三个U-Net模型如下。(我)第一个U-Net模型训练在印度生物技术部图像从同一家医院使用的序列号在训练集。(2)第二个U-Net模型训练在印度生物技术部使用训练集图像序列号从其他数据集。在这种方法中,我们使用相同数量的印度生物技术部图像用于训练U-Net模型。(3)第三个U-Net模型是使用所有印度生物技术部图像用于构建(i)和(ii),印度生物技术部图像两个医院使用。因此,我们使用六种train-test组合:(a)火车医院1(表示为H1),测试H1, (b)火车在医院2(表示为H2),测试H2, (c)列车在H1, H2测试,(d)火车在H2,测试H1, (e)火车(H1 + H2),测试H1,和火车(f) (H1 + H2),测试在H2。请注意,印度生物技术部由U-Net图像分割模型从来没有出现在训练集U-Net模型。对于每个测试下印度生物技术部形象,我们每个立体像素分类的两个类(nonmass区域和大规模区域)。

3.3。评价指标

使与其他先进的工程中,我们使用三个指标在文献中常见:准确性(Acc),灵敏度(Sen)和特异性(Spe)作为评价分类结果。Acc的比例是指像素的数量正确分割图像中像素的总数量,森的概率是指主体之间的积极的测试条件,和Spe的概率是指负面测试受试者之间没有条件。印度生物技术部质量分割评价指标定义如下: TP, FP、TN和FN表示真阳性、假阳性,真阴性和假阴性。

此外,评估我们的提议U-Net模型的鲁棒性,接受者操作特征(ROC)曲线和平均曲线下的面积(AUC)计算和比较。

建议的方法是在Python中使用机器学习库Keras实现。训练和测试实验使用云计算服务执行PAI-DSW由阿里提供。具体来说,我们使用英特尔的处理器运行时平台(R) (TM)核心i7 - 6800 k的CPU @ 3.40 GHz, 32 GB RAM, Nvidia GeForce 2080 Ti RTX, 64位Windows 10。提出了数据生产使用图书馆matplotlib策划。所有参数设置根据我们preexperimental研究中,大约需要56分钟学习参数。一个示例代码如下所示:进口numpy np进口configparser进口matplotlib plt进口操作系统从keras。模型导入模型从keras。layers import Input, concatenate, Conv2D, MaxPooling2D, UpSampling2D, Reshape, core, Dropout从keras。optimizers import Adam从keras。callbacks import ModelCheckpoint, LearningRateScheduler从进口端keras K从keras。optimizers import SGD从lib.help_functions进口∗

3.4。结果和分析

的分割性能评估方法基于U-Net,我们评估提出印度生物技术部质量标签之间的重叠和地面真理(GT)。图4展示了示例结果印度生物技术部质量自动分割与U-Net模型训练和测试的图片(病人病人病人# 1,# 2,# 3)从同一家医院。第一行显示印度生物技术部原始图像为病人# 1,病人# 2,和病人# 3,第二行显示各自的图像分割与我们提出U-Net架构,和第三行显示相同的图像手动分割。结果表明,我们建议的U-Net模型具有较高的协议生成的结果和所提供的标签,它大约需要132秒标签样本。

表1介绍了各种投票方案的性能分配最终的图像标签。U-Net模型训练时我们可以看到,在印度生物技术部图片来自同一家医院,在印度生物技术部测试图像来自同一家医院,最大概率达到最好的精度,这突显出一个好的投票方案的重要性,即最大的概率。与我的预期相反,连通性的方法,其目的是加强共识之间的空间接近补丁,不提供更好的结果,取得了大多数投票一样。这可能意味着有这样空间约束不相关这分割的问题。

表2显示平均灵敏度(Sen)的印度生物技术部质量值自动分割training-testing在同一个医院,在医院,医院使用的最大概率投票方案。它可以发现,印度生物技术部质量自动分割的性能的基础上,提出U-Net模型显著减少时,提出U-Net模型训练数据来自不同的医院(Sen = 0.83±0.015 H1和H2森= 0.85±0.013)与训练时的数据来自同一家医院(Sen = 0.88±0.009 H1和H2森= 0.89±0.021)。

类似于敏感性(Sen),特异性(Spe)显示,印度生物技术部培训U-Net模型在不同医院图像减少性能(Spe = 0.86±0.009 H1和H2 Spe = 0.87±0.013)与培训在同一医院数据集(Spe = 0.89±0.011 H1和H2 Spe = 0.89±0.017)。所有结果使用Spe展示在表3。准确性(Acc)作为评价的另一个指标,如表所示4。我们发现,当提出U-Net模型训练图像,在不同的医院辩证行为疗法Acc值小于0.87。然而,当该U-Net模型训练在相同的图像,或两个医院辩证行为疗法Acc值总是大于0.87。具体来说,低森和高Acc可以获得(Sen = 0.78±0.015和Acc = 0.86±0.009),培训对H1, H2和测试表明,许多FN,森和高和低Acc (Sen = 0.86±0.013和Acc = 0.79±0.015)在训练H1 H2和测试,这表明许多FN存在。印度生物技术部培训和测试在同一医院图像,森和Acc都大于0.88 (Sen = 0.88±0.009和Acc = 0.88±0.011 H1)和(Sen = 0.89±0.021和Acc H2 = 0.89±0.017)。类似于培训/测试在同一个医院,获得高森和Acc在训练图像在两个医院辩证行为疗法(Sen = 0.87±0.011和Acc = 0.86±0.021 H1)和(Sen = 0.88±0.015和Acc H2 = 0.87±0.019)。

3.5。讨论

来验证我们的U-Net CAD框架,结合这两个印度生物技术部图像数据集到一个更大的数据集,和组合表示整个数据集。我们比较各种方法的性能自动分类器的印度生物技术部质量检测方面,印度生物技术部数据集大小、森,Acc, AUC表5,我们的网络实现完全竞争比其中的一些结果。在这些模型中,我们将详细讨论研究通过金等。31日),Fotin et al。32],Samala et al。33),应用深度学习印度生物技术部质量检测和分割方法。他们的作品评价印度生物技术部质量自动分割CAD框架,是基于手工特性和深卷积神经网络(DCNN)的模型。Samala et al。33)提出了一个DCNN架构由四个卷积层和三个完全连接层。首先,DCNN模型训练在大规模数据集2 d乳房x光检查,然后前三个卷积层权重被冻结,和其他训练。DCNN模型的结果显示超过80%和80%的AUC参议员Fotin et al。32)开发了一种CAD框架印度生物技术部质量检测使用的DCNN训练生成的候选人感兴趣的区域(roi),其中包含1864乳腺癌病变乳房x光检查从印度生物技术部图像数据和339年乳腺病变。据报道,他们的模型实现了Acc 86.40%和89%的参议员的两国在重建质量的特征表示印度生物技术部卷o金提出的分类与DCNN模型et al。31日),低级特性提取roi和相应的roi分别通过卷积层。代表印度生物技术部的高层双边特性质量,低级特性相结合的完全连接层。0.847的AUC潜伏双边特征表示模型的报道。关于我们的方法,我们获得了0.871 Acc, 0.869 Sen, 0.882 Spe, 0.859的AUC为测试数据集有87印度生物技术部卷。

在其他的模型,而不是基于DCNN,我们选择陈等人的作品。15),帕尔马et al。18],Schie et al。17]。陈等人。15]介绍三种方法基于2 d和3 d和2 d和3 d”相结合的混合。森的混合方法,他们报告80%为1.23 FPs每个卷数据集包含69例恶性肿瘤患者病例100印度生物技术部图像。帕尔马et al。18]开发了双通道印度生物技术部质量检测CAD框架,在每一个频道分类印度生物技术部病变类型之一。他们将发现渠道与析取融合方法。结果显示90%森101年印度生物技术部卷包含53个病变。范Schie et al。17)提出一个两阶段的方法。roi的2 d切片图像中检测到的第一步,然后从2 d切片图像提取区域结合本地化的3 d roi在第二步印度生物技术部卷。结果在印度生物技术部图像数据从192年49例患者有一个或多个恶性肿瘤显示80%森3帧/体积。赖泽et al。34]介绍了二维投影视图的方法检测到印度生物技术部质量然后使用可见性角范围的调查结果结合检测,和90%森报告36印度生物技术部卷。

图5显示了我们的印度生物技术部质量分段的例子U-Net架构和其他古典CAD框架。然而,这不是一个可行的使一个公平的比较我们的CAD模型与其他模型在印度生物技术部图片因为其他模型训练和测试在不同的私人数据集不公开。虽然印度生物技术部提出质量自动分割CAD模型不能实现最佳分割的整体性能,我们U-Net森建筑达到87.1% Acc和86.9%的AUC 0.859。实验结果表明,我们的方法实现了有前景的结果由于他们在印度生物技术部获得图像数据,和U-Net模型训练在2 d切片图像从印度生物技术部卷,而不是2 d乳房x光检查的数据集。虽然提出了CAD框架取得了可喜的成果的自动分割印度生物技术部质量,它可以进一步提高当更多的印度生物技术部图像数据是可用的。这项工作的主要限制是缺乏足够的印度生物技术部图像数据。达到满意的一般性能,提出了CAD框架需要不同的数据和结构畸变样本。我们打算识别所有乳腺病变的早期迹象在印度生物技术部图像,我们使用的方法基于未来;通过自动检测病变在印度生物技术部图像,医生可以使诊断更加准确、快速和外科医生可以依靠它来与同事讨论的过程。

4所示。结论

我们的研究提出了一种新颖的U-Net架构的CAD模型中自动检测质量在印度生物技术部切片图像,我们比较该模型与其他经典CAD框架。提出U-Net架构的优点是U-Net模式快捷键在不同的层可以提供全球及当地乳房质量检测的输入图像的结构信息。我们证明我们提出U-Net CAD框架实现了有前景的结果在印度生物技术部质量的自动分割和展品表现与其他经典CAD框架使用精度的指标,AUC,特异性和灵敏度。未来的研究工作将集中在三维重建图像信息的组合和2 d有效的数据信息。这种组合有望改善其他乳腺癌的早期迹象的准确性检测程序,将更多的临床病例可用时特别有用。

数据可用性

所需的原始/处理数据复制这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作的部分资金由中国的国家科学基金会(批准号61602419),也支持中国浙江省自然科学基金(批准号。LY16F010008和LQ16F020003)。