基于改进的Mask R-CNN的乳腺肿瘤目标检测研究 
下载： 1301次
Study on Target Detection of Breast Tumor Based on Improved Mask R-CNN
1 中北大学信息探测与处理山西省重点实验室, 山西 太原 030051
2 中北大学理学院, 山西 太原 030051
图 & 表
图 1. 正常乳腺图像以及患病乳腺图像。(a)正常乳腺图像; (b)患病乳腺图像
Fig. 1. Normal and diseased breast images. (a) Normal breast image; (b) diseased breast image
下载图片 查看原文
图 2. 4种类型的乳腺图像。(a) LCC;(b) LMLO;(c) RCC;(d) RMLO
Fig. 2. Images of four types of breast. (a) LCC; (b) LMLO; (c) RCC; (d) RMLO
下载图片 查看原文
图 3. 原始图像与去背景图像。(a)原始图像;(b)去背景图像
Fig. 3. Original image and image with background elimination. (a) Original image; (b) image with background elimination
下载图片 查看原文
图 4. 病变等级。(a)等级2;(b)等级3;(c)等级4a;(d)等级4b;(e)等级4c;(f)等级5
Fig. 4. Lesion grade. (a) Lesion grade 2; (b) lesion grade 3; (c) lesion grade 4a; (d) lesion grade 4b; (e) lesion grade 4c; (f) lesion grade 5
下载图片 查看原文
图 5. 病变区域、健康区域的图像以及二者的融合图像。(a)病变区域的图像;(b)健康区域的图像;(c)融合图像
Fig. 5. Images of diseased and healthy areas and their fusion image. (a) Image of diseased area; (b) image of healthy area; (c) fusion image
下载图片 查看原文
图 6. Mask R-CNN网络结构
Fig. 6. Mask R-CNN network structure
下载图片 查看原文
图 7. DenseNet中的Dense Block示意图
Fig. 7. Schematic of Dense Block in DenseNet
下载图片 查看原文
图 8. DenseNet结构示意图
Fig. 8. Schematic of DenseNet structure
下载图片 查看原文
图 9. Channel Shuffle示意图。 (a)分组卷积; (b)应用Shuffle的过程; (c)应用Shuffle后的效果
Fig. 9. Schematic of Channel Shuffle. (a) Grouped convolution; (b) Shuffle process; (c) effect after applying Shuffle
下载图片 查看原文
图 10. 原始数据集与去背景数据集的准确率曲线
Fig. 10. Accuracy curves of original data set and data set with background elimination
下载图片 查看原文
图 11. 原始数据集与去背景数据集的损失函数曲线
Fig. 11. Loss curves of original data set and data set with background elimination
下载图片 查看原文
图 12. D-ShuffleNet网络在预训练过程中的准确率
Fig. 12. Accuracy of D-ShuffleNet network in pretraining
下载图片 查看原文
图 13. D-ShuffleNet网络在预训练过程中的损失函数
Fig. 13. Loss of D-ShuffleNet network in pretraining
下载图片 查看原文
图 14. 各模型的ROC曲线
Fig. 14. ROC curves of each model
下载图片 查看原文
表 1各等级病变区域的数量及其占病变总区域数量的比例
Table1. Number of lesion areas of each grade and their corresponding proportions to the total number of lesion areas
| Grade | Number | Proportion /% |
|---|
| 2 | 463 | 24 | | 3 | 406 | 21 | | 4a | 348 | 18 | | 4b | 289 | 15 | | 4c | 251 | 13 | | 5 | 175 | 9 |
|
查看原文
表 2分类结果的混淆矩阵
Table2. Classification results confusion matrix
查看原文
表 3不同模型的训练结果
Table3. Training results of each model
| Model | Average precision | mAP |
|---|
| 2 | 3 | 4a | 4b | 4c | 5 |
|---|
| Mask R-CNN-II | 0.94 | 0.93 | 0.85 | 0.93 | 0.85 | 0.94 | 0.907 | | Mask R-CNN | 0.92 | 0.93 | 0.85 | 0.87 | 0.84 | 0.95 | 0.893 | | YOLO-V3 | 0.93 | 0.91 | 0.82 | 0.87 | 0.81 | 0.95 | 0.881 | | SSD | 0.89 | 0.87 | 0.81 | 0.87 | 0.82 | 0.93 | 0.865 | | Faster R-CNN | 0.91 | 0.90 | 0.83 | 0.85 | 0.82 | 0.92 | 0.871 |
|
查看原文
表 4经过预训练和未经预训练模型的实验结果
Table4. Experimental results of models with and without pretraining
| Model | Average precision | mAP |
|---|
| 2 | 3 | 4a | 4b | 4c | 5 |
|---|
| Pre-T+Mask R-CNN-II | 0.97 | 0.94 | 0.87 | 0.94 | 0.86 | 0.98 | 0.927 | | Pre+Mask R-CNN-II | 0.96 | 0.95 | 0.86 | 0.93 | 0.85 | 0.98 | 0.921 | | Mask R-CNN-II | 0.94 | 0.93 | 0.85 | 0.93 | 0.85 | 0.94 | 0.907 |
|
查看原文
孙跃军, 屈赵燕, 李毅红. 基于改进的Mask R-CNN的乳腺肿瘤目标检测研究[J]. 光学学报, 2021, 41(2): 0212004. Yuejun Sun, Zhaoyan Qu, Yihong Li. Study on Target Detection of Breast Tumor Based on Improved Mask R-CNN[J]. Acta Optica Sinica, 2021, 41(2): 0212004.
PDF全文
