深度学习技术正在彻底改变医学图像分析领域，因此在本研究中，我们提出了卷积神经网络 (CNN) 用于乳腺肿块检测，以最大限度地减少手动分析的开销。CNN 架构专为特征提取阶段而设计，并采用了更快的 R-CNN 的**区域提议网络 (RPN)**和感兴趣区域 (ROI) 部分，以实现乳腺肿块异常的自动检测。
模型可检测乳房 X 光检查 (MG) 图像中的肿块区域，并一次性将其分类为良性或恶性异常。对于所提出的模型，MG 图像是从本地的不同医院收集的。图像经过不同的预处理阶段，例如高斯滤波器、中值滤波器、双边滤波器，并从 MG 图像的背景中提取乳房区域。
1. 介绍
微钙化和肿块是乳腺癌的最早迹象，只能使用成像方式检测到。根据乳腺异常的侵袭阶段，异常可能是良性的或恶性的。与检测微钙化相比，检测乳房组织中的肿块更具挑战性。
Organization 等人 (2006) 的研究表明，种族、地理位置和其他风险因素会决定乳腺癌的发展。在这项工作中，我们提出了基于卷积神经网络 (CNN) 的乳腺肿块检测方法，以同时定位肿块并将其分类为良性或恶性异常。为了训练、验证和测试该方法，我们从不同站点收集了数据集。
2. 方法论
2.1 数据集
这项工作仅考虑了收集的 MG 图像中的肿块异常，即 1588 张具有肿块异常的完整乳房 X 射线图像，这些图像由专业放射科医生使用 labelMe Russell et al (2008) 注释工具进行注释。
2.2 方法
开发了基于 CNN 的乳腺肿块异常检测模型，该模型可自动检测肿块异常的感兴趣区域，并将其分类为 MG 图像中的良性或恶性。
对 INbreast Moreira 等人（2012 年）拍摄的 116 张完整 MG 图像和 CBIS-DDSM Lee 等人（2017 年）拍摄的 1380 张完整 MG 图像进行了预处理和增强，以便为训练我们的模型和本地收集的数据集提供初始权重。
2.2.1 数据收集
表 1 中描述的数据集是从埃塞俄比亚的不同医院收集的
2.2.2 MG图像预处理
为了提高数据质量并以适合深度学习训练的方式准备数据，对数据进行了预处理。为了消除图像中的噪声，应用了高斯滤波、中值滤波和双边滤波。随后使用对比度限制自适应直方图均衡化 (CLAHE) 增强图像，然后进行形态学操作和 OTSU 阈值处理，以从背景中提取乳房区域，并从 MG 中去除非乳房区域部分，例如伪影、标签、患者资料等。
2.2.3 模型训练
Bounding box regressor（边框回归器）在计算机视觉和目标检测中用于预测目标物体的边界框（Bounding Box）的位置和大小。其目标是从给定的物体位置（通常是一个初始边界框）开始，通过学习和预测修正值，使得模型能够准确地预测物体的边界框。这些修正值通常是相对于初始边界框的偏移量，包括水平偏移、垂直偏移、宽度缩放和高度缩放。
特征提取部分有一系列五个卷积层，每个卷积层分别有 (64, 128, 256, 512,512) 数量的卷积核。每个卷积层后面都是 Relu 激活层、批量归一化层、最大池化层和 dropout，但第二层除外，它既没有 dropout 也没有最大池化。
通过调整 Faster R-CNN Ren et al (2015) 的 ROI Pooling 部分的锚点边界框尺度、RPN 和最大池化的比率，它被用于检测肿块异常。我们使用了 9 个锚点，锚点框尺度分别为 32 × 32、64 × 64 和 128 × 128 像素，锚点框宽高比为 [1, 1]、[
, 
] 和 [, ]，ROI 最大池化大小为 (5,5)。
使用 0.9 动量、500 个 epoch、0.00001 学习率、RPN 的 Adam 和整个模型的随机梯度下降 (SGD) 作为优化器。所提出的模型是使用 Python 和 Keras 实现的，其中 Tensorflow 用作后端。
3. 结果与讨论
描述了一种基于 CNN 的方法，用于检测肿块区域并将其分为良性和恶性。研究了在本地多中心 MG 数据集中一次性检测、定位肿块异常并将其分类为良性或恶性。很难将我们的检测结果与以前的本地研究直接进行比较。因此，我们对基于 VGG 的更快 R-CNN Ren et al (2015) 架构进行了训练、验证和测试，以便使用收集到的数据集与我们模型的性能进行比较。在收集到的所有图像中，选择了 1588 张包含肿块异常的完整 MG 图像，然后由专业放射科医生使用 labelMeRussell et al (2008) 注释工具对其进行注释。在 1588 张 MG 图像中，有 1683 个乳腺肿块异常。数据集被随机分成 80% 用于训练、10% 用于验证和 10% 用于测试。
对 INbreast Moreira 等人（2012 年）、CBIS-DDIS Lee 等人（2017 年）执行了相同的流水线预处理，并为所提出的模型和基于 VGG 的Faster R-CNN 收集了本地 MG 数据集。
在预处理阶段：将不同的成像格式（例如 DICOM 医学图像格式）转换为 .png 图像格式，去除噪音，从背景中提取乳房区域，删除患者信息，清除伪影和其他不需要的物体。分别使用 3×3 和 5×5 大小的高斯、中等和横向滤波器进行降噪，并使用 MSE 评估去噪结果。在考虑的两种卷积核尺寸中，最终使用了 3×3 大小的卷积核。此外，使用 CLAHE 增强去噪后的 MG 图像，然后提取乳房区域并使用 OTSU 和形态学操作去除不需要的伪影。