CN114049357A - 一种基于特征集关联度的乳腺超声分割方法 - Google Patents

一种基于特征集关联度的乳腺超声分割方法 Download PDF

Info

Publication number
CN114049357A
CN114049357A CN202111049894.XA CN202111049894A CN114049357A CN 114049357 A CN114049357 A CN 114049357A CN 202111049894 A CN202111049894 A CN 202111049894A CN 114049357 A CN114049357 A CN 114049357A
Authority
CN
China
Prior art keywords
image
loss function
segmentation
feature set
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111049894.XA
Other languages
English (en)
Inventor
孙俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uniform Entropy Technology Wuxi Co ltd
Original Assignee
Uniform Entropy Technology Wuxi Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Uniform Entropy Technology Wuxi Co ltd filed Critical Uniform Entropy Technology Wuxi Co ltd
Priority to CN202111049894.XA priority Critical patent/CN114049357A/zh
Publication of CN114049357A publication Critical patent/CN114049357A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种基于特征集关联度的乳腺超声分割方法，属于图像分割领域。本发明首先采用了属性形态谱(Morphological Attribute Profiles,AP)对超声影像进行重建属性细化和属性粗化以消除噪声提取空间结构特征。然后对模型提取出的特征集与经验特征集进行关联度约束以此来指导模型的训练。CoNet在乳腺超声影像肿瘤病变分割方向取得不错的效果，并在公开数据集BUSI上IOU达到了87.1％，F1值达到了89.9％。

Description

一种基于特征集关联度的乳腺超声分割方法
技术领域
本发明属于图像分割领域，涉及一种基于特征集关联度的乳腺超声分割方法。
背景技术
乳腺癌是全世界女性发病率和致死率最高的疾病之一。乳腺超声肿瘤病变分割是当今医 学影像分析中的主要领域。有效的乳腺超声肿瘤病变分割能为早期癌症检测提供更为准确的 参考信息，从而为患者的治疗争取时间。当前用于乳腺肿瘤清晰成像的方式主要有三种：乳 腺超声成像(Breast Ultrasound)、数字乳腺X光检查(DigitalMammography，DM)、核磁 共振成像(Magnetic Resonance Imaging，MRI)。虽然在临床中，医生可以利用数字乳腺X 光检查进行早期识别肿瘤，但是在致密乳房的情况下，可能存在乳腺X光检查无法捕获病变 区的情况。同时DM和MRI都会对人体均有辐射和疼痛的影响。而超声作为一种强大的辅助 筛查工具，可以实现致密乳房下的乳腺癌筛查，而且对人体完全无害无痛。因此乳腺超声成 像成为了乳腺肿瘤筛查的首选方式。
计算机辅助诊断(CAD)系统的研究发展使计算机强大的计算分析能力得以运用在医学 影像处理与分析中。CAD系统在临床中极大地提高了医生诊断的效率同时降低了误诊率。一 般来说，CAD系统可分为一下四个步骤：1)影像预处理：此步骤是整个CAD系统中最重要 的一环。影像预处理的质量将直接影响到后面特征提取的质量和影像分割的效果。预处理需 要保证影像病变区的重要特征不被破坏，同时要降低噪声等因素对影像特征提取的干扰。2) 影像分割：此步骤需要将医学影像分割成不重叠的区域，并将病灶区与其背景分开。3)影像 特征提取：通过深度学习寻找病变乳腺影像和非病变乳腺影像各自的特征。4)影像分类：对 分割出的病灶区进行良性和恶性肿瘤的分类。
发明内容
本发明旨在提供一种基于特征集关联度的乳腺超声分割方法。
本发明的技术方案：
一种基于特征集关联度的乳腺超声分割方法，步骤如下：
步骤一、图像预处理
将乳腺超声图像进行随机分组，每一组图像组成一个训练批次输入数据；先对乳腺超声 图像进行降噪；再对降噪后的图像和真值图(GroundTruth，GT)同时进行数据增强。
步骤二、将经过预处理的乳腺超声图像输入至基于卷积神经网络(CNN)的图像分割模 型中，进行图像特征的提取；
步骤三、将图像分割模型的最后一层卷积层的输入进行保存，得到当前训练批次输入数 据的特征集；
步骤四、将图像分割模型的最后一层卷积层输出的结果进行Softmax归一化，然后与真 值图像(GoundTruth)进行损失函数计算。
步骤五、对步骤三中得到的特征集和上一训练批次输入数据的特征集进行关联度一致性 正则化，得到关联度损失函数值。
步骤六、将步骤四中得到的损失函数值与步骤五中的关联度损失函数值进行加运算，得 到CoNet最终的损失函数值。
步骤七、将步骤六中的得到的CoNet损失函数值进行反向传播，并输出分割结果。
进一步地，CoNet最终的损失函数值
Figure BDA0003252519410000021
由两部分组成，一部分为步骤四得到的损失函数
Figure BDA0003252519410000022
另一部分为步骤五关联度损失函数
Figure BDA0003252519410000023
Figure BDA0003252519410000024
采用交叉熵损失函数，计算公式如下：
Figure BDA0003252519410000025
其中，-x[class]为负对数似然损失值、log(∑jexp(x[j]))为Softmax结果的对数值
关联度损失函数
Figure BDA0003252519410000026
计算公式如下：
Figure BDA0003252519410000027
使用当前训练批次中CoNet分类层的输入特征作为模型生成的特征集X，上一个训练批 次中CoNet分类层的输入特征作为经验特征集Y。β为映射矩阵正定系数，表示线性映射矩阵正定 性强度，是一个固定的标量超参数，γ为单位偏置矩阵系数,是一个固定的标量超参数，映射矩阵A 为一个可学习的参数，I为单位阵。关联度损失函数值
Figure BDA0003252519410000028
表示如下：
Figure BDA0003252519410000029
其中，λ为关联度损失系数，是一个固定的标量超参数。
本发明的有益效果：我们提出了一种基于特征集关联度的乳腺超声分割方法，该方法根 据群表示论中的特征标理论，在乳腺超声影像分割学习过程中引入特征集关联度约束来指导 模型的训练。从可解释性原理出发，还可以在具有一定经验特征空间的模型上构建出不同数 据集之间的特征集关联度，从而指导具有一定经验的模型去学习新的数据集的特征。
附图说明
图1为经过AP计算前后影像与GT(Ground Truth)图对比图(红色方框内为病变区)， 其中，(a)为原始肿瘤影像，(b)为AP计算后的肿瘤影像，(c)为肿瘤病灶区GT图。
图2为CoNet结构图(以输入影像分辨率为224×224像素，最低分辨率为224×224像素为 例)不同颜色立方体代表了不同阶段所得的特征图，不同的颜色箭头代表了不同的操作，具 体操作见图例所示。箭头的方向代表了整个CoNet训练的顺序，经验特征集来自于上一个训 练批次模型生成的特征集。
图3为不同的λ,β,γ取值在测试集上的IoU与F1分布图，其中，(a)IoU分布图，(b)F1值 分布图。
图4为β＝2时不同的λ,γ取值在测试集上分割效果比较，其中，(a)β＝2时IoU-λ,γ空间 分布，(b)IoU-λ,γ空间沿γ轴的投影，(c)IoU-λ,γ空间沿λ轴的投影，(d)β＝2时F1-λ,γ空间 分布，(e)F1-λ,γ空间沿γ轴的投影，(f)F1-λ,γ空间沿λ轴的投影。
图5为BUSI上的CoNet不同方法分割结果与U-Net分割结果比较图。其中，(a)原始影 像，(b)GT，(c)U-Net，(d)CoNet_A，(e)CoNet_B，(f)CoNet_C。
具体实施方式
本发明工作重点放在了影像预处理和影像分割，接下来我们对这两个部分进行简单介绍。
首先，影像的预处理采用了属性形态学中形态剖面和差异形态剖面方法对原始影像建立 属性形态谱(Morphological Attribute Profiles,AP)。AP是对原始输入影像连续应用形态属性 过滤器，从而计算得到的原始影像多级表征。通过原始影像的多级表征，AP可对不同类型的 结构信息进行建模。同时根据形态属性变换中选择的属性类型，对不同的参数化属性特征进 行建模，从而达到对原始影像进行降噪的目的。图1展示了构建AP操作前后影像与真值 (Ground Truth，GT)图的对比，从图中可以更加明显地观察到病变区。
其次，基于特征相似度的分割模型是本发明的重点研究内容。目前很多深度神经网络无 法以一种从人类的角度完全理解模型的决策。各种模型在某一方面能够达到很好的效果，但 是很多时候我们无法理解模型的预测依据是什么。同样地当前大多数分割模型都是端到端模 式进行训练，忽略了分割模型内部生成的特征集之间的关联度。我们希望模型所得的特征空 间与经验特征空间有尽可能大的关联度。我们利用特征集各自拓扑度量空间的特征标差异度 来衡量两个特征集的关联度。进一步考虑到模型的可解释性以及经验特征的关联度，假定模 型生成的特征集可由经验特征线性表示。整个CoNet模型的目标函数可以表示如下：
Loss＝Losslabel+λLosscorrelation (1)
其中Losslabel表示分割模型输出结果与真实标签的损失大小，Losscorrelation表示模型特征空间 与经验特征空间的关联度大小，Losscorrelation越小表明特征空间的关联度越大。λ为关联度损失 系数，表示关联度损失影响程度大小。
模型的可解释性一直是深度学习的研究重点，为了探究模型生成特征的可解释性，我们 结合有限群表示中的特征标理论提出了CoNet，一种基于特征集关联度的乳腺超声分割方法。 在接下来的部分，本发明将介绍CoNet的理论基础。讨论CoNet的框架，整个分割实验过程 与分析，并对整个研究进行了总结。
1.相关工作
1.1乳腺超声肿瘤分割
影像分割又称为语义分割，指的是根据像素点所代表不同的语义，将影像分割成不同的 区域。影像分割是一种像素级的分类方法，需要将所有像素的标签和类别关联起来。随着计 算机视觉的不断发展，为了满足下游高精度分类任务的要求，影像分割领域已经出现了许多 基于CNN架构的快速语义分割模型，例如U-Net、Segnet、PSPNet、FastFCN。不同于具有 多个分割类别的自然影像或者遥感领域的高光谱影像，乳腺超声影像的分割问题可以转换为 病变区与非病变区的二分类分割问题。
库马尔等人(2018)【Kumar V,Webb J M,Gregory A,et al.Automated and real-time segmentation of suspicious breast masses using convolutional neuralnetwork[J].PloS one,2018, 13(5):e0195816.】提出了一种基于卷积神经网络的MultiU-net分割算法，可实现自动分割乳 腺肿瘤块。庄哲民等人(2019)【Zhuang Z,Li N,JosephRaj A N,et al.An RDAU-NET model for lesion segmentation in breast ultrasoundimages[J].PloS one,2019,14(8):e0221535.】提出了 RDAU-Net(Residual-Dilated-Attention-Gate-UNet)分割模型，该模型是在U-Net模型的基础上 进行改进。该模型应用在乳腺超声肿瘤分割的结果比传统的卷积神经网络模型所得的分割结 果更好，准确率达到了88.58％，召回率达到了83.19％，F1分数达到了84.78。胡雨舟等人【Hu Y,Guo Y,WangY,et al.Automatic tumor segmentation in breast ultrasound images using adilated fully convolutional network combined with an active contour model[J].Medical physics, 2019,46(1):215-228.】(2019)提出了基于相位活动轮廓的扩张全卷积网络分割模型。该模 型可以对乳腺超声病变区进行自动分割，并且具有很高的鲁棒性。其各项效率指标如下：索 伦森-骰子相似度系数(DiceSimilarityCoefficient)为88.97％，豪斯多夫距离(HausdorDistance) 为35.54像素,平均绝对偏差值为7.67像素，整个模型的分割结果与手工分割结果类似。 ChengXue(2021)等人【Xue C,Zhu L,Fu H,etal.Global guidance network for breast lesion segmentation in ultrasoundimages[J].Medical image analysis,2021,70:101989.】提出了超声影 像中乳腺超声肿瘤病变分割的全局指导网络。该网络中含有全局引导块(GGB)乳腺超声肿 瘤病变边界检测(BD)模块，以促进乳腺超声病变分割。
上诉模型对乳腺超声影像分割都具有不错的效果，但是无论是影像特征的提取还是模型 参数的优化都是从整个样本空间上的进行的且没有考虑到模型生成的特征集之间的关联度。 针对传统分割模型及其训练的过程中生成的特征集缺乏可解释性的情况，我们提出了一种基 于特征集关联度的乳腺超声分割方法CoNet。
1.2医学影像降噪算法
超声影像中存在的散斑噪声掩盖了影像的细节，降低了影像中软组织的对比度，从而降 低了影像的视觉质量。散斑的出现是由于超声波在人体组织中传播时发生的散射现象引起的， 所以在采集超声影像时不可避免地带入了散斑噪声。二维超声影像降噪技术大致分为预处理 降噪与后处理降噪。预处理降噪一般是对影像进行多种变换获取相同影像的相似区域进行组 合以生成降噪影像。毫无疑问，预处理降噪会引入更高的计算复杂度。一般来说更多采用的 是后处理降噪方式。常用的后处理降噪算法有空间域滤波器利用局部窗口内的相邻像素统计 特性来计算替换过滤像素所需的预期值。过滤器窗口的大小将决定散斑减少的数量和影像去 噪的视觉质量；基于扩散原理的滤波器，由于空间域滤波器通常倾向于使影像模糊，即使它 们似乎具有低计算复杂性并且因此不迎合医疗从业者的需要，基于扩散原理的滤波器倾向于 在斑点抑制和影像保留之间进行折衷；变换域滤波器，首先将影像转换为变换域，然后利用 变换域中影像的不同属性执行降噪操作，在【Xuhui C,Lei L,Hui L,et al.Ultrasound image denoising based on the contourlettransform and anisotropic diffusion[C]//2013Seventh International Conferenceon Image and Graphics.IEEE,2013:73-77.】中讨论了一种基于轮廓让 变换和各向同性扩散相结合的超声影像去噪方法。基于主成分分析(PCA)的技术也是一种 用于去除超声影像的变换域方法。变换域滤波器的一个缺点是它们的高复杂性和引入伪影的 倾向；混合滤波器，在中通过利用引导双边滤波器和基于小波的去噪技术实现了该方法的改 进。尽管混合滤波器显示出有希望的散斑减少和良好的边缘保留，但它们的高复杂性被证明 是一个很大的缺点，因为大多数超声应用是实时处理。
1.3一致性正则化
数据增强是提升算法性能、满足深度学习对大量数据的需求的重要工具。数据增强可以 通过生成无限的修改数据流对训练集进行人为扩充。原始数据不同的变换最终趋于同一个结 果是数据一致性的体现。然而正则化是指对模型施加约束以降低模型对训练数据依赖的一般 方法，因此有望使其更好地泛化到无法可视化的数据。一致性正则化在计算机视觉和影像处 理中起着至关重要的作用。例如，Sajjadi、Javanmardi和Tasdizen(2016)【Sajjadi M,Javanmardi M,Tasdizen T.Regularization with stochastictransformations and perturbations for deep semi-supervised learning[J].Advances in neural information processing systems,2016,29: 1163-1171.】为深度半监督学习提出了具有随机变换和扰动的正则化。将训练样本多次传入到 模型中得到预测结果，并通过最小化预测结果之间的差异对无标签的影像进行学习。Tarvainen 和Valpola(2017)【Tarvainen A,Valpola H.Mean teachers are better role models:Weight-averaged consistency targets improve semi-supervised deep learningresults[J].arXiv preprint arXiv:1703.01780,2017.】引入了一种师生一致性模型来充分利用未标记数据，其中学生模型 通过最小化标记数据的分割损失和目标的一致性损失来从教师模型中学习。Jeong等人(2019) 【Jeong J,Lee S,Kim J,et al.Consistency-based semi-supervised learning for object detection[J]. Advances in neuralinformation processing systems,2019,32:10759-10768.】通过充分利用可用 的无标签数据，将一致性约束作为提高检测性能的工具。李等人(2020)【Li X,Yu L,Chen H,etal.Transformation-consistent self-ensembling model for semisupervised medicalimage segmentation[J].IEEE Transactions on Neural Networks and LearningSystems,2020,32(2): 523-534.】引入了一种基于变换一致的半监督分割方法，该方法鼓励在不同扰动下对相同输入 的训练网络进行一致预测。Zamir等人(2020)【Zamir A R,SaxA,Cheerla N,et al.Robust learning through cross-task consistency[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition.2020:11197-11206.】基于推理路径不变性利用跨不同任务的一 致性，表明研究任务一致性是有希望的。无论是输入在不同扰动和变换下的一致性，还是不 同任务的一致性都是从输入或者流程路径上进行考虑的，而没有考虑到特征本身的一致性。 与上述方法相比，我们的框架旨在通过模型生成的特征与经验特征之间的一致性来指导模型 的学习，我们也称这种特征之间的一致性为特征集的关联度。
2.CoNet框架
我们将重点介绍CoNet框架，整个框架的主干网络采用了U-Net一样的encoder-decoder 结构，其结构图如图2所示。整个CoNet大致分为三个阶段：第一阶段为数据的降噪与增强； 第二阶段为模型的特征提取；第三部分为模型结果输出和训练损失计算，其中训练损失包含 了模型输出结果与GT图的损失和特征集关联度的损失。
2.1属性形态谱(Morphological Attribute Profiles,AP)
属性形态谱是建立在属性形态学基础上的，属性形态学的基本算子是属性过滤器，其作 用为：对于一个连通分量，如果它的属性符合过滤器的给定规则，那么就保留它，否则就移 除它。属性形态谱通过使用一系列形态属性过滤器对输入影像进行过滤而产生的影像阵列。 形态学属性过滤器类似于数学形态学中的结构元素，对应于形态学开运算和闭运算，属性过 滤器分为属性细化(Thinning)和属性粗化(Thickening)。属性形态谱由属性细化和属性粗 化形态谱的串联组成。属性细化(粗化)形态谱是通过连续应用具有逐渐放松标准的属性细 化(粗化)过滤器生成的(即，对影像的效果逐渐变粗)。这种方法导致通过去除明亮(在 细化轮廓中)或黑暗(在增厚轮廓中)区域获得的输入影像的降噪。故当满足
Figure BDA0003252519410000071
时可以根据一组有序标准U＝{Uλ:λ＝0,…,n}来定义属性细化形态谱如下公式所示：
Figure BDA0003252519410000072
实际上，
Figure BDA0003252519410000073
在其定义中包含了ПγT，如果标准序列U满足更严格的递增特性，则属性 细化剖面会产生属性开运算相同的结果。通过对偶性，属性粗化(闭合)形态谱可以定义为 如下公式所示：
Figure BDA0003252519410000074
综上我们可以将属性形态谱定义为
Figure BDA0003252519410000075
事实上，在闭运算中检测到暗物体，而开运算中检测到亮物体，由于本发明所关心的乳 腺超声肿瘤病变区是暗目标，需要进行属性粗化。属性形态学中的属性是对目标的特征表示， 需要研究者根据情况进行设置，本发明使用了面积，惯性矩和标准差三种常用的属性。
2.2有限群的特征标
拓扑空间是能够定义连续性，连通性，收敛等性质的最一般化的数学空间。将数据空间 视为一个可分的拓扑空间，则在定义了度量方法后该数据空间是一个拓扑流形，即微分流形。 微分流形中的数据分布具有一定的对称性，例如平移以及旋转的不变性。特征数据可以表示 为张量空间
Figure BDA0003252519410000076
(B表示batch大小，C表示通道数，H和W分表表示特征图的高和宽)， 将d表示为矩阵
Figure BDA0003252519410000077
(N＝B×C×H为特征数，D＝W为特征维度)，X的协方差矩阵ΣX可 以很好地表示数据在微分流形中的分布特征。在
Figure BDA0003252519410000078
空间上不同的样本矩阵对加法构成了一 个线性群Σ。对于群元ΣX∈Σ，其矩阵的迹为tr(ΣX)。对于群Σ上不同的群元，我们可以得到 一个关于其矩阵迹的函数
Figure BDA0003252519410000079
称为群Σ的特征标。由此我们可以将数据空间的一般特征表示 为协方差矩阵群Σ的特征标函数。对于有限群的特征标理论是有限群表示论最有力的工具之 一，而特征标的重要意义在于能把抽象的代数问题转化成具体的计算问题。
2.3空间关联度
根据群特征标理论，两个特征集的关联度由其各自拓扑度量空间的特征标差异度来衡量， 即我们定义两个特征集的关联度为：
Figure BDA0003252519410000081
当R越小时，两类特征的关联度越大。由于一个协方差矩阵的特征标函数值是该矩阵的 迹，因此上述关联度就是协方差矩阵的相似度，定义两个特征集的关联度为经验特征数据集 与模型生成特征数据集的协方差矩阵的相似度，即定义为：
R＝|tr(ΣX)-tr(ΣY)|＝|tr(XXT)-tr(YYT)| (6)
其中X表示模型生成的特征空间矩阵，Y表示经验特征空间矩阵。考虑到生成特征的可 解释性以及经验特征的关联度，假定模型生成的特征可由经验特征线性表示，即
X＝AY (7)
因此公式(6)可以写成：
R＝|tr(XXT)-tr(YYT)|＝＝|tr(AYYTAT)-tr(YYT)|＝|tr(YTATAY)-tr(YYT)| (8)
根据公式(7)，我们可以看到两类特征空间的关联度由ATA决定，当ATA＝I时，X与Y完 全关联。特别地，当两类特征空间维度维度相同，A为正交矩阵时，两类特征完全关联。
因此在模型训练的过程中，不仅要保证模型输出结果与标签值差异尽可能小，还需要保 证每次模型生成的特征集的关联度尽可能的小。我们将公式(7)转换为以下约束：
Figure BDA0003252519410000082
其中，映射矩阵A是一个可学习的参数，I是单位矩阵。公式(9)要求X和Y在优化过程 中越来越接近，理想情况下两者在优化结束时应该变得同构。但是不同批次的数据特征空间 完全同构无法实现。我们需要通过添加一个偏置矩阵ε去降低约束实现难度，得到的新的约 束条件如下：
Figure BDA0003252519410000083
其中ε为对角阵作为不需要学习的超参，其中每一个元素大于0小于1，可以大小都一样。 最终得到的关联度损失的目标函数可以写成：
Figure BDA0003252519410000091
由于ε中每一个元素均可一样，则令I-ε＝γI，γ为0到1的标量，(11)式中特征集关联 度损失的目标函数可以写成：
Figure BDA0003252519410000092
其中，γ为单位偏置矩阵系数，表示约束偏置度；β为映射矩阵正定系数，表示线性映 射矩阵正定性强度。
2.4Conet流程
网络结构如图2所示，整个流程分为三个阶段。第一阶段，我们利用属性形态谱对原始 影像进行属性粗化去除超声影像中的散斑噪声，然后对影像和真值图(GroundTruth，GT)同 时做基础的数据增强，例如依概率水平翻转，剪裁等操作。第二阶段，我们采用U-Net中的 encoder-decoder结构，对预处理后的影像进行特征提取学习。第三阶段，我们引入在3.2中 构建的关联度约束正则化项，则CoNet的目标函数
Figure BDA0003252519410000093
由两部分组成，一部分为模型最终输出 与真值影像(GT图)的损失函数
Figure BDA0003252519410000094
另一部分为关联度损失函数
Figure BDA0003252519410000095
Figure BDA0003252519410000096
采用交叉熵 损失函数，计算公式如下：
Figure BDA0003252519410000097
关联度损失函数
Figure BDA0003252519410000098
计算公式如下：
Figure BDA0003252519410000099
我们使用当前训练批次中CoNet分类层的输入特征作为模型生成的特征集X，上一个训 练批次中CoNet分类层的输入特征作为经验特征集Y。目标函数
Figure BDA00032525194100000910
表示如下：
Figure BDA00032525194100000911
其中，λ为关联度损失系数，是一个固定的标量超参数。
3.实验与分析
我们在乳腺超声公开数据集上对CoNet进行了性能评估。整个模型由Pytorch编写，使 用不带N的SGD作为优化方法，初始化学习率为1e-3，weight decay是1e-3，使用Cosine 学习率衰减策略。对于所有的超参数，在BUSI中设置如下：λ＝0.4,β＝2,γ＝3
3.1标准数据集及评价指标
BUSI(BreastUltraSound Image Dataset)发布于2020年2月，BUSI数据使用超声波扫描 审查了乳腺癌的医学影像。BUSI数据集分为三类：正常影像、良性影像和恶性影像。BUSI 收集的数据包括年龄在25至75岁之间的女性的乳腺超声影像。该数据收集于2018年。患者 人数为600名女性患者。该数据集由780张影像组成，平均影像大小为500×500像素。影像为 PNG格式。真值影像(GroundTruth，GT)与原始影像一起呈现，影像分为正常、良性和恶 性三类。我们对公开数据集BUSI(原有正常样本133张，良性样本437张，恶性样本210张)按照Train Data:Validation Data:Test Data＝0.6:0.2:0.2进行随机分组，并将对应真值图(GT 图)进行分组，并对所有样本重新命名以便后续训练，分组后的数据集中训练样本共有467 张，验证集样本156张，测试集样本156张。
本发明研究重点是分割出超声影像中的病灶区。为了更清晰地展示分割结果，我们选取 了四个指标来进行比较，即精确率(PrecisionRate，Pre)，召回率(RecallRate，Rec)，交 并比(IntersectionoverUnion，IoU)，F1值(F1score，F1)。四个指标的计算公式如下：
Figure BDA0003252519410000101
Figure BDA0003252519410000102
Figure BDA0003252519410000103
Figure BDA0003252519410000104
其中TP(TruePositive)表示像素点预测结果为肿瘤且真实情况也是肿瘤，FP(FalsePositive) 表示像素点预测结果为肿瘤而真实情况不是肿瘤，TN(TrueNegative)表示像素点预测结果 为非肿瘤且真实情况也是非肿瘤，FN(FalseNegative)表示像素点预测结果为非肿瘤而真实 情况是肿瘤。
3.2算法参数分析
CoNet算法目标函数中共有3个超参数，分别是λ,β,γ，其中λ为关联度损失系数，表示 关联度损失所占的权重；β为映射矩阵正定系数，表示线性映射矩阵正定性强度；γ表示单 位偏置矩阵系数，表示约束偏置度。为了验证λ,β,γ不同的选择对分割结果的影响，我们对集 合{(λ,β,γ)λ∈[0,1,2,3],β∈[0,1,2,3],γ∈[0.25,0.5,0.75]}中每一种组合进行实验，训练Epoch数设置为 200，实验具体结果数值如表2所示。表2中，表格色阶颜色越接近深红色表明值越低，表格 色阶颜色越接近深绿色表明值越高。
表2不同的λ,β,γ取值在测试集上分割效果比较
Figure BDA0003252519410000111
Figure BDA0003252519410000121
从表2和图3可以看出λ,γ相同时，β＝2时分割效果较好。同时随着λ,γ增大时，IoU和 F1值也越来越大。因此我们在β＝2的情况下,为了探究IoU与F1值随λ,γ变化而变化的情况， 我们对集合{(λ,β,γ)|λ∈[1,1.5,2],β＝2,γ∈[0.1,0.2,…,1.0]}中每一种组合进行实验，其中每一组合训 练Epoch数设置为200。实验具体结果如图3所示。
从图4中的(b)和(e)中可以看出固定λ时，γ＝0.4处无论时IoU值还是F1值均取得较好的 结果。从图4中的(b)和图(e)中可以看出固定γ时，λ＝1.5处无论时IoU值还是F1值均取得 较好的结果。因此在本实验中关于超参的设置如下：λ＝1.5,β＝2,γ＝0.4
3.3CoNet框架步骤
1)每一个批次同时处理的图片数量为4张；
2)通过构建形态属性谱对原始图像进行降噪；
3)对降噪得到的图像进行数据增强，概率水平翻转，剪裁至224×224像素；
4)对每一张图片分别进行Encode编码；
5)利用输入通道为3，输出通道为32的二维卷积对图像进行卷积操作；
6)利用BatchNorm对5)中得到的32通道特征图进行编码的正则化；
7)利用ReLU对6)中得到的32通道特征图进行激活；
8)利用输入通道为32，输出通道为32的二维卷积对7)中的特征图进行卷积操作；
9)利用BatchNorm对8)中得到的32通道特征图进行编码的正则化；
10)利用ReLU对9)中得到的32通道特征图进行激活；
11)利用MaxPooling池化层对10)中的特征图提取特征，缩小特征图大小；
12)利用输入通道为32，输出通道为64的二维卷积对图像进行卷积操作；
13)利用BatchNorm对12)中得到的64通道特征图进行编码的正则化；
14)利用ReLU对13)中得到的32通道特征图进行激活；
15)利用输入通道为64，输出通道为64的二维卷积对14)中的特征图进行卷积操作；
16)利用BatchNorm对15)中得到的64通道特征图进行编码的正则化；
17)利用ReLU对16)中得到的64通道特征图进行激活；
18)利用MaxPooling池化层对17)中的特征图提取特征，缩小特征图大小；
19)利用输入通道为64，输出通道为128的二维卷积对18)中的特征图进行卷积操作；
20)利用BatchNorm对19)中得到的128通道特征图进行编码的正则化；
21)利用ReLU对20)中得到的128通道特征图进行激活；
22)利用输入通道为128，输出通道为128的二维卷积对21)中的特征图进行卷积操作；
23)利用BatchNorm对22)中得到的128通道特征图进行编码的正则化；
24)利用ReLU对23)中得到的128通道特征图进行激活；
25)利用MaxPooling池化层对24)中的特征图提取特征，缩小特征图大小；
26)利用输入通道为128，输出通道为256的二维卷积对25)中的特征图进行卷积操作；
27)利用BatchNorm对26)中得到的256通道特征图进行编码的正则化；
28)利用ReLU对27)中得到的256通道特征图进行激活；
29)利用输入通道为256，输出通道为256的二维卷积对28)中的特征图进行卷积操作；
30)利用BatchNorm对29)中得到的256通道特征图进行编码的正则化；
31)利用ReLU对30)中得到的256通道特征图进行激活；
32)利用MaxPooling池化层对31)中的特征图提取特征，缩小特征图大小；
33)利用输入通道为256，输出通道为512的二维卷积对32)中的特征图进行卷积操作；
34)利用BatchNorm对33)中得到的512通道特征图进行编码的正则化；
35)利用ReLU对34)中得到的512通道特征图进行激活；
36)利用输入通道为512，输出通道为512的二维卷积对35)中的特征图进行卷积操作；
37)利用BatchNorm对36)中得到的512通道特征图进行编码的正则化；
38)利用ReLU对37)中得到的512通道特征图进行激活；
39)利用输入通道为512，输出通道为256的逆卷积对38)中得到的特征图进行上采样， 扩大特征图大小；
40)对特征图进行Decode解码；
41)将39)中上采样得到的通道数为256的特征图与31)中经过ReLU激活得到的通道 数为256的特征图进行拼接得到通道数为512的特征图；
42)利用输入通道为512，输出通道为256的二维卷积对41)中得到的特征图进行卷积 操作；
43)利用BatchNorm对42)中得到的256通道特征图进行编码的正则化；
44)利用ReLU对43)中得到的256通道特征图进行激活；
45)利用输入通道为256，输出通道为256的二维卷积对44)中的特征图进行卷积操作；
46)利用BatchNorm对45)中得到的256通道特征图进行编码的正则化；
47)利用ReLU对46)中得到的256通道特征图进行激活；
48)利用输入通道为256，输出通道为128的逆卷积对47)中得到的特征图进行上采样， 扩大特征图大小；
49)将48)中上采样得到的通道数为128的特征图与25)中经过ReLU激活得到的通道 数为128的特征图进行拼接得到通道数为256的特征图；
50)利用输入通道为256，输出通道为128的二维卷积对49)中得到的特征图进行卷积 操作；
51)利用BatchNorm对50)中得到的128通道特征图进行编码的正则化；
52)利用ReLU对51)中得到的128通道特征图进行激活；
53)利用输入通道为128，输出通道为128的二维卷积对52)中的特征图进行卷积操作；
54)利用BatchNorm对53)中得到的128通道特征图进行编码的正则化；
55)利用ReLU对54)中得到的128通道特征图进行激活；
56)利用输入通道为128，输出通道为64的逆卷积对55)中得到的特征图进行上采样， 扩大特征图大小；
57)将56)中上采样得到的通道数为64的特征图与17)中经过ReLU激活得到的通道数为64的特征图进行拼接得到通道数为128的特征图；
58)利用输入通道为128，输出通道为64的二维卷积对57)中得到的特征图进行卷积操 作；
59)利用BatchNorm对58)中得到的64通道特征图进行编码的正则化；
60)利用ReLU对59)中得到的64通道特征图进行激活；
61)利用输入通道为64，输出通道为64的二维卷积对60)中的特征图进行卷积操作；
62)利用BatchNorm对61)中得到的64通道特征图进行编码的正则化；
63)利用ReLU对62)中得到的64通道特征图进行激活；
64)利用输入通道为64，输出通道为32的逆卷积对63)中得到的特征图进行上采样， 扩大特征图大小；
65)将64)中上采样得到的通道数为32的特征图与10)中经过ReLU激活得到的通道数为32的特征图进行拼接得到通道数为64的特征图；
66)利用输入通道为64，输出通道为32的二维卷积对65)中得到的特征图进行卷积操 作；
67)利用BatchNorm对66)中得到的32通道特征图进行编码的正则化；
68)利用ReLU对67)中得到的32通道特征图进行激活；
69)利用输入通道为32，输出通道为32的二维卷积对68)中的特征图进行卷积操作；
70)利用BatchNorm对69)中得到的32通道特征图进行编码的正则化；
71)利用ReLU对70)中得到的32通道特征图进行激活；
72)保存71)中得到的32通道特征图；
73)利用输入通道为32，输出通道为3的二维卷积对71)中得到的特征图进行卷积操作；
74)将73)中得到的3通道特征图传入Softmax层得到图像分割结果；
75)将74)中得到的分割结果与真实值图像(GroundTruth)计算交叉熵损失函数值；
76)将71)中保存的32通道特征图与上一训练周期71)中保存的32通道特征图计算特 征集关联度损失函数值；
77)将75)中的交叉熵损失函数值与7)6中的特征集关联度损失函数值进行求和得到 整个网络的损失函数值。
78)将77)中得到的CoNet损失函数值进行反向传播，并输出分割结果。
3.4实验分析
为了验证本发明目标函数的有效性，本发明在不同的医学影像分割网络上进行了比较： U-Net、PSPNet、FastFCN、FT U-Net、AE-net和CoNet上进行比较。其中，由于CoNet引入 了属性形态谱对原始影像进行降噪，同时在训练的过程中对对模型生成的特征集进行了关联 度约束。为了消除变量之间的影响，我们设计了CoNet的三种实现方法： CoNet_A,CoNet_B,CoNet_C。CoNet_A没有引入属性形态谱降噪过程，仅引入了模型生成的 特征集关联度约束；CoNet_B仅引入属性形态谱降噪过程，没有引入了模型生成的特征集关 联度约束；CoNet_C同时将两者引入。具体实验结果如表4所示：
表4BUSI数据集上三种方法的性能比较
Figure BDA0003252519410000151
表4提供了不同分割模型与CoNet在BUSI数据集上分割性能的比较，CoNet_A仅引入 属性形态谱降噪，CoNet_B仅引入特征集关联度约束，两者相比于其它网络四项指标均有较 大的提升。可以发现同时引入属性形态谱和特征集关联度约束的CoNet_C取得了最好的结果， 比其主干网络U-Net的四项指标均有较大的提升：精确率提升了15.1％，召回率提升了12.0％， 体现分割效果的交并比(IOU)也提升了14.2％，F1值(F1 Score)提升了10.6％。
根据图5可以发现，虽然仅引入属性形态谱降噪和仅引入特征集关联度约束都可以提升 模型的性能。但是可以发现，CoNet_A仅引入特征集关联度约束时，由于缺乏降噪预处理， 分割结果还是存在斑点噪声，如图5中的(d)所示；CoNet_B仅引入属性形态谱降噪时，由 于采用同一个降噪标准，这样会造成影像的细节的丢失，如果降噪过度就会使得病灶区的信 息丢失,或者降噪不足使得对比度下降则会将噪声视作病灶区，从而出现图5中的(e)中出现 斑块噪声的情况；CoNet_C同时引入特征集关联度约束和属性形态谱降噪时，达到了与GT 图最接近的分割结果。
4.结论
医学超声影像中肿瘤病变区的准确分割一直是极具挑战的问题。影像分割的好坏将直接 影响到下游分类任务的精度。在这项研究中我们提出了一种基于特征集关联度的乳腺超声分 割方法，该方法采用了属性形态谱(Morphological Attribute Profiles,AP)对超声影像进行重 建属性细化和属性粗化以消除噪声提取空间结构特征。根据群表示论中的特征标理论，我们 在乳腺超声影像分割学习过程中引入特征集关联度约束。本发明的经验特征空间来自上一个 训练批次中模型生成的特征空间，即同一数据集上特征集之间的关联度。本发明与当下主流 的分割网络进行了比较，4项指标均达到最优。从可解释性原理出发，我们希望在具有一定 经验特征空间的模型上构建出不同数据集之间的特征集关联度，从而指导具有一定经验的模 型去学习新的数据集的特征。

Claims (2)

1.一种基于特征集关联度的乳腺超声分割方法，其特征在于，步骤如下：
步骤一、图像预处理
将乳腺超声图像进行随机分组，每一组图像组成一个训练批次输入数据；先对乳腺超声图像进行降噪；再对降噪后的图像和真值图同时进行数据增强；
步骤二、将经过预处理的乳腺超声图像输入至基于卷积神经网络的图像分割模型中，进行图像特征的提取；
步骤三、将图像分割模型的最后一层卷积层的输入进行保存，得到当前训练批次输入数据的特征集；
步骤四、将图像分割模型的最后一层卷积层输出的结果进行Softmax归一化，然后与真值图像进行损失函数计算；
步骤五、对步骤三中得到的特征集和上一训练批次输入数据的特征集进行关联度一致性正则化，得到关联度损失函数值；
步骤六、将步骤四中得到的损失函数值与步骤五中的关联度损失函数值进行加运算，得到CoNet最终的损失函数值；
步骤七、将步骤六中的得到的CoNet损失函数值进行反向传播，并输出分割结果。
2.根据权利要求1所述的一种基于特征集关联度的乳腺超声分割方法，其特征在于，进一步地，CoNet最终的损失函数值
Figure FDA0003252519400000011
由两部分组成，一部分为步骤四得到的损失函数
Figure FDA0003252519400000012
另一部分为步骤五关联度损失函数
Figure FDA0003252519400000013
Figure FDA0003252519400000014
采用交叉熵损失函数，计算公式如下：
Figure FDA0003252519400000015
其中，-x[class]为负对数似然损失值、log(∑jexp(x[j]))为Softmax结果的对数值；
关联度损失函数
Figure FDA0003252519400000016
计算公式如下：
Figure FDA0003252519400000017
使用当前训练批次中CoNet分类层的输入特征作为模型生成的特征集X，上一个训练批次中CoNet分类层的输入特征作为经验特征集Y；β为映射矩阵正定系数，表示线性映射矩阵正定性强度，是一个固定的标量超参数，γ为单位偏置矩阵系数,是一个固定的标量超参数，映射矩阵A为一个可学习的参数，I为单位阵；关联度损失函数值
Figure FDA0003252519400000018
表示如下：
Figure FDA0003252519400000019
其中，λ为关联度损失系数，是一个固定的标量超参数。
CN202111049894.XA 2021-09-08 2021-09-08 一种基于特征集关联度的乳腺超声分割方法 Pending CN114049357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111049894.XA CN114049357A (zh) 2021-09-08 2021-09-08 一种基于特征集关联度的乳腺超声分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111049894.XA CN114049357A (zh) 2021-09-08 2021-09-08 一种基于特征集关联度的乳腺超声分割方法

Publications (1)

Publication Number Publication Date
CN114049357A true CN114049357A (zh) 2022-02-15

Family

ID=80204351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111049894.XA Pending CN114049357A (zh) 2021-09-08 2021-09-08 一种基于特征集关联度的乳腺超声分割方法

Country Status (1)

Country Link
CN (1) CN114049357A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117974672A (zh) * 2024-04-02 2024-05-03 华侨大学 基于全局信息的乳腺超声肿瘤病变区域检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183225A1 (en) * 2009-01-09 2010-07-22 Rochester Institute Of Technology Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof
US20170249739A1 (en) * 2016-02-26 2017-08-31 Biomediq A/S Computer analysis of mammograms
WO2018015080A1 (en) * 2016-07-19 2018-01-25 Siemens Healthcare Gmbh Medical image segmentation with a multi-task neural network system
US10140544B1 (en) * 2018-04-02 2018-11-27 12 Sigma Technologies Enhanced convolutional neural network for image segmentation
CN109272013A (zh) * 2018-08-03 2019-01-25 天津大学 基于学习的相似性度量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100183225A1 (en) * 2009-01-09 2010-07-22 Rochester Institute Of Technology Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof
US20170249739A1 (en) * 2016-02-26 2017-08-31 Biomediq A/S Computer analysis of mammograms
WO2018015080A1 (en) * 2016-07-19 2018-01-25 Siemens Healthcare Gmbh Medical image segmentation with a multi-task neural network system
US10140544B1 (en) * 2018-04-02 2018-11-27 12 Sigma Technologies Enhanced convolutional neural network for image segmentation
CN109272013A (zh) * 2018-08-03 2019-01-25 天津大学 基于学习的相似性度量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VIVEK KUMAR SINGH ET AL.: "《breast tumor segmentation and shape classification in mammograms using generative adversarial and convolutional neural network》", Retrieved from the Internet <URL:http://arxiv.org/pdf1809.01687.pdf> *
李俊峥: "《基于显著性检测的乳腺超声图像鲁棒分割方法》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, 28 February 2018 (2018-02-28) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117974672A (zh) * 2024-04-02 2024-05-03 华侨大学 基于全局信息的乳腺超声肿瘤病变区域检测方法及装置

Similar Documents

Publication Publication Date Title
Zhao et al. Knowledge-aided convolutional neural network for small organ segmentation
CN112150428B (zh) 一种基于深度学习的医学图像分割方法
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
Kavitha et al. An efficient approach for brain tumour detection based on modified region growing and neural network in MRI images
US20170249739A1 (en) Computer analysis of mammograms
Pang et al. Automatic lung segmentation based on texture and deep features of HRCT images with interstitial lung disease
CN110889852A (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN115170582A (zh) 基于多尺度特征融合和网格注意力机制的肝脏影像分割方法
Luo et al. Automatic liver parenchyma segmentation from abdominal CT images using support vector machines
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
Shan et al. SCA-Net: A spatial and channel attention network for medical image segmentation
Constantinou et al. Medical image analysis using AM-FM models and methods
CN117058307A (zh) 心脏三维核磁共振图像生成方法、系统、设备及储存介质
Arif et al. Application of Genetic Algorithm and U‐Net in Brain Tumor Segmentation and Classification: A Deep Learning Approach
CN114049357A (zh) 一种基于特征集关联度的乳腺超声分割方法
Anand et al. Architectural distortion detection in mammogram using contourlet transform and texture features
Luo et al. A liver segmentation algorithm based on wavelets and machine learning
Abu-Amara A Computer Aided Diagnosis System for Breast Cancer Using Independent Component Analysis and Fuzzy Classifier
Khoulqi et al. Cervical Cancer Detection and Classification Using MRIs
Sivanandan et al. An Improved Ultrasound Tumor Segmentation Using CNN Activation Map Clustering and Active Contours
Lin et al. Feature selection algorithm for classification of multispectral MR images using constrained energy minimization
Debnath et al. Complete 3D brain tumour detection using a two-phase method along with confidence function evaluation
Arafat et al. Brain Tumor MRI Image Segmentation and Classification based on Deep Learning Techniques
Vinod et al. A comparative analysis on deep learning techniques for skin cancer detection and skin lesion segmentation
Mahmoud et al. Novel feature extraction methodology based on histopathalogical images and subsequent classification by Support Vector Machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination