YOLOv4模型及多階段困難偽陽性消除應用於乳房自動超音波腫瘤偵測

Abstract

"自動乳房超音波(Automated Breast Ultrasound, ABUS)被廣泛應用於乳癌篩檢以進行早期檢測。儘管ABUS的掃描過程非常快捷省時，對放射科醫師來說，查閱數百張二維超音波影像依然非常耗費時間。因此，需要電腦輔助偵測系統(Computer-aided Detection, CADe)來協助放射科醫師。近年來，卷積神經網路在物件檢測領域表現優異，其能夠從影像中學習辨識特徵，因此被廣泛使用於醫學影像領域。本研究提出了一種以三維卷積神經網路為核心的電腦輔助偵測系統以用於乳房腫瘤偵測。該系統由影像縮放、腫瘤檢測和後處理組成。在影像縮放階段，影像被重新採樣使影像間距一致並接著縮放至適合腫瘤偵測模型的大小。接著，利用提出的3-D SAS-YOLOv4腫瘤偵測模型對影像進行腫瘤偵測以產生腫瘤邊界框。鑒於YOLOv4具有出色的高效率和準確率，我們所提出的腫瘤偵測模型採用YOLOv4為基礎。為了進一步強化模型的特徵提取能力，採用ResNeSt強大的分割注意力模塊(Split Attention, SA)作為模型主幹，並提出了注意力平滑機制(Attention Smoothing, AS)來改進分割注意力模塊。此外，本研究提出了多階段訓練策略(Multi-stage Training Strategy)進行偽陽性消除(False Positive Reduction)以增加模型的準確度。最後，在後處理階段，模型產生的預測結果將送入非最大化抑制(Non-maximum Suppression, NMS)演算法消除重疊的邊界框。本研究採用了348張ABUS影像進行實驗，其中包含523個腫瘤。結果顯示出，所提出的模型在達到90%、95%和98%的靈敏度(Sensitivity)時，每個超音波影像平均產生的偽陽性數量(False Positive per Pass)分別為1.71、2.71和5.87，並且該模型對不同大小的腫瘤具有穩健的性能。與YOLOv4相比，所提出的模型準確得多，這些結果指出所提出的修改可以大幅改進檢測模型。"