论文:Conditional Generative Adversarial and Convolutional Networks for X-ray Breast Mass Segmentation and Shape Classification

论文:Conditional Generative Adversarial and Convolutional Networks for X-ray Breast Mass Segmentation and Shape Classification

344 次阅读

会议:MICCAI-2018

研究任务:医学图像分割-乳房X线照相术中的乳房肿块分割(breast mass segmentation in mammography)+形状分类

研究内容:

(1)这篇文章利用cGAN对图片进行分割,生成器输入数据为真实医学图片,输出为分割的预测mask;判别器输入数据为生成器生成的mask和分割的ground truth,输出为real/fake的判别数据。

(2)损失函数为GAN Loss和L1(pred mask,gt mask)两个Loss function。

(3)这篇文章还研究了,利用生成的pred mask,通过CNN网络预测乳房肿块的形状类别(Irregular、Lobular、Oval、Round)

任务挑战:

乳房X线照相术中的乳房肿块图片patch具有高变异性、低对比度、与周围健康组织高度相似、低信噪比等特点,给肿块分割带来比较大的挑战。网络架构:

cGAN:

输入数据,在breast image中crop出与肿块相关的ROI image patch,reshape 到256×256的patch,并通过normalize到(0,1)的范围。

noise removel:利用standard deviation=0.5的高斯滤波器对图片进行正则化清除噪声

实验中采用两种网络结构:Auto-Encoder (i.e., without skip connections) and U-Net (i.e., with skip connections)

损失函数:

Generator Loss:

Disminator Loss:

post-processing:    应用后处理形态滤波(侵蚀和扩张,erosion and dilation),从由将所有比较的方法生成的二元掩模中去除artifacts和small white regions。

结果:在两个数据集中进行实验,与多种已存在方法进行比较

(1)定性结果

(2)定量结果

Mass Shape Classifier:    一个简单的CNN网络(两层卷积层和两层全连接层)对生成的分割mask进行预测形状的类别。

Mulanshine