آشکارسازی توده‌ها در تصاویر اولتراسوند خودکار سه‌بعدی پستان با استفاده از inception 3d u-net بهبودیافته

سرطان پستان عامل اصلی مرگ‌ومیر ناشی از سرطان در زنان اکثر کشورهای جهان است. تشخیص سرطان پستان در مراحل اولیه تاثیر زیادی در کاهش نرخ مرگ‌ومیر دارد. تصویربرداری اولتراسوند خودکار سه‌بعدی پستان (3d abus) نوعی تصویربرداری است که اخیراً در کنار ماموگرافی برای تشخیص زودهنگام سرطان پستان استفاده می‌شود. حجم سه‌بعدی تولیدشده در این تصویربرداری شامل تعداد زیادی برش است. رادیولوژیست برای یافتن توده باید تمام برش‌های تصویر را بررسی کند که کاری زمان‌بر با احتمال خطای زیاد است. امروزه برای کمک به رادیولوژیست‌ها در آشکارسازی توده، سیستم‌های آشکارساز کامپیوتری (cad) بسیاری ارائه شده است.در این مقاله، معماری 3d u-net با قرار دادن دو نوع ماژول inception تغییریافته در بخش کدگذار بهبود داده شده و برای آشکارسازی توده در تصاویر 3d abus استفاده شده است. در ماژول پیشنهادی اول که در اولین لایه کدگذار قرار می‌گیرد، ویژگی‌های سه‌بعدی متنوع با دو میدان دید متفاوت تولید می‌شود. در ماژول دوم که در لایه‌های بعدی کدگذار قرار می‌گیرد، ویژگی‌های خطی و ویژگی‌های صفحه‌ای استخراج می‌شود. مجموعه داده مورد استفاده دارای 60 حجم 3d abus از 43 بیمار و شامل 55 توده است. شبکه پیشنهادی به حساسیت 92.9% و میانگین fp برابر با 22.75 به ازای هر بیمار دست یافته است.

mass detection in automated three dimensional breast ultrasound using improved inception 3d u-net

breast cancer is the leading cause of cancer death among women in most countries. early detection of breast cancer has a significant effect on reducing mortality. automated three-dimensional breast ultrasound (3d abus) is a type of imaging that has recently been used alongside mammography for the early detection of breast cancer. the 3d volume includes many slices. the radiologist will have to look at all the slices to find the mass, which is time-consuming with a high probability of mistakes. today, many computer-aided detection (cad) systems have been proposed to help radiologists in mass detection.in this paper, the 3d u-net architecture is improved by placing two types of modified inception modules in the encoder and used to detect masses in 3d abus imahges. in the first inception module, which is located in the first layer of the encoder, various three-dimensional features with two different fields of view are generated. in the second module, which is placed in the following layers of the encoder, line-wise features and plane-wise features are extracted. the dataset contains 60 3d abus volumes from 43 patients and includes 55 masses. the proposed network achieves a sensitivity of 92.9% and a false-positive per patient of 22.75