Автоматизированное выявление очаговых поражений молочной железы на ультразвуковых изображениях с использованием сверточных нейронных сетей

Выявление очаговых поражений молочной железы с использованием ультразвуковой визуализации является важным этапом систем компьютерной диагностики. В течение последнего десятилетия исследователи продемонстрировали возможность автоматизации первичного выявления очаговых поражений. Однако отсутствие общего набора данных затрудняет исследования, направленные на сравнение эффективности таких алгоритмов. В данной работе предлагается использовать методы глубокого обучения для выявления очаговых поражений молочной железы на ультразвуковых изображениях и исследуются три различных метода: LeNet на основе фрагментов изображений, U-Net и подход трансферного обучения с использованием предварительно обученной сети FCN-AlexNet. Их эффективность сравнивается с четырьмя современными алгоритмами выявления очаговых поражений: индексом радиального градиента, мультифрактальной фильтрацией, ранжированием областей на основе правил и моделями деформируемых частей. Кроме того, в работе сопоставляются два стандартных набора ультразвуковых изображений, полученных с использованием разных ультразвуковых систем. Набор данных A включает 306 изображений (60 злокачественных и 246 доброкачественных), а набор данных B — 163 изображения (53 злокачественных и 110 доброкачественных). Для устранения нехватки общедоступных наборов данных в этой области набор данных B будет предоставлен для исследовательских целей. Результаты демонстрируют общее повышение эффективности методов глубокого обучения на обоих наборах данных по показателям доли истинно положительных результатов, числа ложноположительных результатов на изображение и F-меры.