乳腺超声肿瘤动态噪声指数及分割算法

发布时间：2022-01-15 06:27

　　目的深度学习在各种语义分割任务中取得了优异的性能,但需要大量带有准确标注的训练样本。乳腺超声由于其成像特点,导致图像对比度和分辨率低、斑点噪声较高、组织间边界模糊等,这些问题导致精确标注十分困难。超声分割数据集中存在较多非准确的标注,这些数据即标注噪声。若训练集中包含一定量的噪声,将会极大地影响网络的分割准确度。为了解决该问题,提出了一种针对超声图像的动态噪声指数及分割算法,实现在乳腺超声数据包含噪声的情况下肿瘤区域的准确分割。方法针对超声图像的噪声特点提出动态噪声指数（dynamic noise index,DNI）;在网络训练过程中实时更新DNI,并在每次迭代结束后计算整个训练集的DNI分布,进而实现对噪声数据的可检测;提出一个改进的损失函数以增强网络噪声检测性能,同时结合DNI降低噪声对训练反向传播的影响。最后本文将动态噪声指数和改进的损失函数联合形成一个噪声容忍框架,该框架可以应用于其他分割网络。结果本文将噪声容忍框架和多种分割网络进行结合,并在两个数据集上进行实验。公开数据集的实验结果显示,增加噪声容忍框架的网络相比于原网络各指标提高了8%～12%。本文构建了一个包含1 80... 

【文章来源】：中国图象图形学报. 2020,25(10)北大核心CSCD

【文章页数】：9 页

【部分图文】：

不同目标物体的边界对比图

图1 不同目标物体的边界对比图在图像分类领域,对标签噪声的研究已经进行了较长时间,并取得了不错的成果。Goldberger和Ben-Reuven(2016)借鉴通信中的信道模型,利用EM(expectation-maximization)算法寻找网络中的正确标签,提出用softmax层替换线性层,增加了模型的稳定性。Zhang等人(2016)提出深度神经网络很容易拟合噪声标签,噪声会让模型训练结果的不确定性增加。许多学者在这个基础上展开了研究,如Hu等人(2019a)利用干净的标签数据进行辅助预训练一个非线性分类器,实现噪声标签和真实标签的映射关系。非线性分类器方法虽然在分类任务中取得不错的结果,但这种映射关系很难在分割任务中实现。也有文献利用多阶段学习,在网络学习到区分噪声的能力之后开始动态识别并处理噪声。Wu等人(2018)根据多个训练阶段的数据分布区间,对噪声数据进行清洗。

2)提出一种基于噪声检测的动态噪声约束损失函数。该损失函数能抑制噪声数据对网络的干扰,使得在训练集包含一定量噪声的情况下,网络依然能取得可靠的性能。1 相关工作


本文编号：3590088