view in publisher's site

Breast tumor segmentation in 3D automatic breast ultrasound using Mask scoring R‐CNN

Abstract Purpose Automatic breast ultrasound (ABUS) imaging has become an essential tool in breast cancer diagnosis since it provides complementary information to other imaging modalities. Lesion segmentation on ABUS is a prerequisite step of breast cancer computer‐aided diagnosis (CAD). This work aims to develop a deep learning‐based method for breast tumor segmentation using three‐dimensional (3D) ABUS automatically. Methods For breast tumor segmentation in ABUS, we developed a Mask scoring region‐based convolutional neural network (R‐CNN) that consists of five subnetworks, that is, a backbone, a regional proposal network, a region convolutional neural network head, a mask head, and a mask score head. A network block building direct correlation between mask quality and region class was integrated into a Mask scoring R‐CNN based framework for the segmentation of new ABUS images with ambiguous regions of interest (ROIs). For segmentation accuracy evaluation, we retrospectively investigated 70 patients with breast tumor confirmed with needle biopsy and manually delineated on ABUS, of which 40 were used for fivefold cross‐validation and 30 were used for hold‐out test. The comparison between the automatic breast tumor segmentations and the manual contours was quantified by I) six metrics including Dice similarity coefficient (DSC), Jaccard index, 95% Hausdorff distance (HD95), mean surface distance (MSD), residual mean square distance (RMSD), and center of mass distance (CMD); II) Pearson correlation analysis and Bland–Altman analysis. Results The mean (median) DSC was 85% ± 10.4% (89.4%) and 82.1% ± 14.5% (85.6%) for cross‐validation and hold‐out test, respectively. The corresponding HD95, MSD, RMSD, and CMD of the two tests was 1.646 ± 1.191 and 1.665 ± 1.129 mm, 0.489 ± 0.406 and 0.475 ± 0.371 mm, 0.755 ± 0.755 and 0.751 ± 0.508 mm, and 0.672 ± 0.612 and 0.665 ± 0.729 mm. The mean volumetric difference (mean and ± 1.96 standard deviation) was 0.47 cc ([−0.77, 1.71)) for the cross‐validation and 0.23 cc ([−0.23 0.69]) for hold‐out test, respectively. Conclusion We developed a novel Mask scoring R‐CNN approach for the automated segmentation of the breast tumor in ABUS images and demonstrated its accuracy for breast tumor segmentation. Our learning‐based method can potentially assist the clinical CAD of breast cancer using 3D ABUS imaging.

ناحیه بندی تومور پستان در سونوگرافی خودکار سه‌بعدی پستان با استفاده از نمره دهی Mask R - CNN

چکیده هدف تصویربرداری خودکار از پستان (ABUS)به یک ابزار ضروری در تشخیص سرطان سینه تبدیل شده‌است زیرا اطلاعات تکمیلی را برای سایر روش‌های تصویربرداری فراهم می‌کند. تقسیم‌بندی برخورد در ABUS یک مرحله پیش‌نیاز برای تشخیص کامپیوتری سرطان سینه (CAD)است. هدف از این کار، توسعه یک روش یادگیری عمیق برای تقسیم‌بندی تومور پستان با استفاده از ABUS سه‌بعدی (۳ D)به صورت خودکار است. روش‌ها برای تقسیم‌بندی تومور پستان در ABUS، ما یک شبکه عصبی کانولوشن مبتنی بر ناحیه Mask (R - CNN)را توسعه دادیم که از پنج زیر شبکه تشکیل شده‌است که عبارتند از: یک ستون فقرات، یک شبکه پیشنهادی منطقه‌ای، یک سر شبکه عصبی کانولوشن ناحیه، یک سر ماسک و یک سر ماسک. یک همبستگی مستقیم ساخت بلوک شبکه بین کیفیت ماسک و طبقه منطقه در یک چارچوب مبتنی بر Mask R - CNN برای جداسازی تصاویر ABUS جدید با مناطق مبهم مورد نظر (ROIs)ادغام شد. برای ارزیابی دقت قطعه‌بندی، ما به طور گذشته‌نگر ۷۰ بیمار مبتلا به تومور پستان را که با بیوپسی سوزنی تایید شده بودند و به صورت دستی در ABUS مشخص شده‌بودند، مورد بررسی قرار دادیم، که ۴۰ نفر از آن‌ها برای اعتبارسنجی متقابل ۵ برابر و ۳۰ نفر برای تست نگه داشتن مورد استفاده قرار گرفتند. مقایسه بین تقسیم‌بندی خودکار تومور پستان و کانتورهای دستی توسط ۱)شش معیار شامل ضریب تشابه Dice (DSC)، شاخص Jaccard، ۹۵ % فاصله Hausdorff (HD۹۵)، میانگین فاصله سطح (MSD)، میانگین فاصله مربع باقی مانده (SD)، و مرکز فاصله جرمی (CMD)؛ II)تحلیل همبستگی پیرسون و تحلیل Bland - Altman تعیین شد. نتایج میانگین (میانه)DSC به ترتیب ۸۵ ± ۱۰.۴ % (۸۹.۴ %)و ۸۲.۱ ± ۱۴.۵ % (۸۵.۶ %)بود. HD۹۵، MSD، RMSD و CMD مربوطه در این دو آزمون، ۱.۶۴۶ ± ۱.۱۹۱ و ۱.۶۶۵ ± ۱.۱۲۹ mm، ۰.۴۸۹ ± ۰.۴۰۶ و ۰.۴۷۵ ± ۰.۳۷۱ mm، ۰.۷۵۵ ± ۰.۷۵۵ و ۰.۷۵۱ ± ۰.۵۰۸ mm و ۰.۶۷۲ ± ۰.۶۱۲ و ۰.۶۶۵ ± ۰.۷۲۹ mm بود. میانگین اختلاف حجمی (میانگین و انحراف معیار ۱.۹۶ ±)برای اعتبار سنجی متقابل ۰.۴۷ سی‌سی (۷۷ / ۱، ۷۷ / ۱)و برای تست نگه داشتن ۲۳ / ۰ سی‌سی (۶۹ / ۰ -)بود. نتیجه‌گیری ما روش جدیدی را برای طبقه‌بندی خودکار تومور پستان در تصاویر ABUS توسعه دادیم و دقت آن را برای تقسیم‌بندی سرطان پستان نشان دادیم. روش یادگیری محور ما می‌تواند به طور بالقوه به CAD بالینی سرطان سینه با استفاده از تصویربرداری سه‌بعدی ABUS کمک کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Medicine
  • ترجمه مقاله General Medicine
  • مقاله طب عمومی
  • ترجمه مقاله طب عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.