乳腺磁共振增强图像上, 乳腺癌主要有肿块型和非肿块型两种强化方式.由于乳腺肿瘤区域相对较小, 肿块型和非肿块型之间形态学差异大, 非肿块型自身差异性复杂, 因而很难精确分割出乳腺肿瘤区域.针对这些问题, 提出一套新颖的粗检测细分割的深度学习模型 (YOLOv2+SegNet) .该模型在精准分割之前, 首先运用YOLOv2网络在乳腺可能的肿瘤区域进行粗检测, 从而得到大致可能的肿瘤区域;接下来在粗检测的基础上, 针对检测到可能的肿瘤区域, 运用SegNet网络进行精细分割, 从而实现算法最优的性能.为了验证YOLOv2+SegNet模型的有效性, 从医院采集的数据集中选取560张乳腺MRI增强图像作为训练和测试 (其中训练和测试集分别为415张和145张乳腺MRI数据) .在实验的过程中, 运用YOLOv2+SegNet模型, 分别对乳腺肿块型、非肿块型、肿块和非肿块混合型3类MRI数据进行肿瘤区域自动分割的实验.实验结果表明:YOLOv2+SegNet模型和SegNet网络分割结果的Dice系数相比有约10％的提升, 与传统的C-V模型、模糊C均值聚类、光谱映射主动轮廓模型以及深度模型U-net、DeepLab相比有更为明显的提升.
作者：马伟；刘鸿利；孙明建；徐军；蒋燕妮
来源：中国生物医学工程学报 2019 年 38卷 1期
